小白学 Python 爬虫（42）：春节去哪里玩（系列终篇）
人生苦短，我用 Python
前文传送门：
小白学 Python 爬虫（1）：开篇
小白学 Python 爬虫（2）：前置准备（一）基本类库的安装
小白学 Python 爬虫（3）：前置准备（二）Linux基础入门
小白学 Python 爬虫（4）：前置准备（三）Docker基础入门
小白学 Python 爬虫（5）：前置准备（四）数据库基础
小白学 Python 爬虫（6）：前置准备（五）爬虫框架的安装
小白学 Python 爬虫（7）：HTTP 基础
小白学 Python 爬虫（8）：网页基础
小白学 Python 爬虫（9）：爬虫基础
小白学 Python 爬虫（10）：Session 和 Cookies
小白学 Python 爬虫（11）：urllib 基础使用（一）
小白学 Python 爬虫（12）：urllib 基础使用（二）
小白学 Python 爬虫（13）：urllib 基础使用（三）
小白学 Python 爬虫（14）：urllib 基础使用（四）
小白学 Python 爬虫（15）：urllib 基础使用（五）
小白学 Python 爬虫（16）：urllib 实战之爬取妹子图
小白学 Python 爬虫（17）：Requests 基础使用
小白学 Python 爬虫（18）：Requests 进阶操作
小白学 Python 爬虫（19）：Xpath 基操
小白学 Python 爬虫（20）：Xpath 进阶
小白学 Python 爬虫（21）：解析库 Beautiful Soup（上）
小白学 Python 爬虫（22）：解析库 Beautiful Soup（下）
小白学 Python 爬虫（23）：解析库 pyquery 入门
小白学 Python 爬虫（24）：2019 豆瓣电影排行
小白学 Python 爬虫（25）：爬取股票信息
小白学 Python 爬虫（26）：为啥买不起上海二手房你都买不起
小白学 Python 爬虫（27）：自动化测试框架 Selenium 从入门到放弃（上）
小白学 Python 爬虫（28）：自动化测试框架 Selenium 从入门到放弃（下）
小白学 Python 爬虫（29）：Selenium 获取某大型电商网站商品信息
小白学 Python 爬虫（30）：代理基础
小白学 Python 爬虫（31）：自己构建一个简单的代理池
小白学 Python 爬虫（32）：异步请求库 AIOHTTP 基础入门
小白学 Python 爬虫（33）：爬虫框架 Scrapy 入门基础（一）
小白学 Python 爬虫（34）：爬虫框架 Scrapy 入门基础（二）
小白学 Python 爬虫（35）：爬虫框架 Scrapy 入门基础（三） Selector 选择器
小白学 Python 爬虫（36）：爬虫框架 Scrapy 入门基础（四） Downloader Middleware
小白学 Python 爬虫（37）：爬虫框架 Scrapy 入门基础（五） Spider Middleware
小白学 Python 爬虫（38）：爬虫框架 Scrapy 入门基础（六） Item Pipeline
小白学 Python 爬虫（39）： JavaScript 渲染服务 Scrapy-Splash 入门
小白学 Python 爬虫（40）：爬虫框架 Scrapy 入门基础（七）对接 Selenium 实战
小白学 Python 爬虫（41）：爬虫框架 Scrapy 入门基础（八）对接 Splash 实战
引言
首先恭喜看到这篇文章的同学，本篇内容为 「小白学 Python 爬虫」 系列的最后一篇。
看了下上面的前文传送门，加上这篇内容，总共有 42 篇，小编还是成就感满满，小编翻看了下公众号，第一篇文章是在 2019 年的 11 月 17 日推送的，大致数了数，将近两个月的时间。
当然，其中一些文章的质量并不高，很多都是在比较有限的时间中赶工赶出来的，还是感谢各位读者对小编的不离不弃，写的这么烂还没取关的绝对是真爱了。
正好下周就要过年了，从推送的时间算的话还有 10 个自然日左右的时间，可能很多同学可能过年是要出去玩的，那么去哪里玩就成了一个问题。
那么，怎么挑选去哪里玩最快的，小编想了想，直接去抓某站的数据吧，抓下来自己根据自己的情况查询下就好了。
那么今天的目标站是：马蜂窝。
这里小编还想说一点，虽然我们在前面 7、 8 篇文章中都是在讲如何使用爬虫框架 Scrapy ，说实话，小编并不觉得 Scrapy 有多方便，在一些简单的应用场景下，使用 Requests 库可能是最方便的选择， Scrapy 小编个人感觉还是更适合使用在一些中大型的爬虫项目中，简单的爬虫脚本使用最简单的技术栈就 ok 了，所以小编在本文中使用的技术栈还是 Requests PyQuery 。
不要问为啥，问就是喜欢。
分析
首先我们访问链接，打开我们将要抓取的站点：https://www.mafengwo.cn/gonglve/ 。
这里是攻略的列表页，我们的目标是抓取来自游记的数据，其余的数据放过，原因是在游记中我们才能获取到一些具体的我们需要的数据。
数据的来源搞清楚了，接下来是翻页功能，只有清楚了如何翻页，我们才能源源不断的获取数据，否则就只能抓取第一页的数据了。
当把页面翻到最下面的时候就尴尬了，发现是自动加载更多，这个当然难不倒帅气逼人的小编我，掏出大杀器， Chrome 的开发者工具 F12 ，选到 network 标签页，再往下滚动一下，我们查看下这个页面发出的请求。
这个请求很有意思，请求的路径和我们访问的页面路径一样，但是请求类型变成 POST ，并且增加了请求参数，类型还是 Form 表单格式的。
截止这里，我们已经清楚了目标站点的数据路径以及翻页方式，虽然目前我们并不知道最大页数是多少，但是我们可以人为的设置一个最大页数，比如 100 或者 200 ，小编相信，这么大的站点上，几百页的游记应该是还有的。
代码
代码小编就直接贴出来，之前有同学希望数据是保存在 Excel 中的，本次实战的数据就不存数据库了，直接写入 Excel 。
import requests
from pyquery import PyQuery
import xlsxwriter
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.117 Safari/537.36',
'cookie': '__jsluid_s=6fc5b4a3b5235afbfdafff4bbf7e6dbd; PHPSESSID=v9hm8hc3s56ogrn8si12fejdm3; mfw_uuid=5e1db855-ab4a-da12-309c-afb9cf90d3dd; _r=baidu; _rp=a:2:{s:1:"p";s:18:"www.baidu.com/link";s:1:"t";i:1579006045;}; oad_n=a:5:{s:5:"refer";s:21:"https://www.baidu.com";s:2:"hp";s:13:"www.baidu.com";s:3:"oid";i:1026;s:2:"dm";s:15:"www.mafengwo.cn";s:2:"ft";s:19:"2020-01-14 20:47:25";}; __mfwothchid=referrer|www.baidu.com; __omc_chl=; __mfwc=referrer|www.baidu.com; Hm_lvt_8288b2ed37e5bc9b4c9f7008798d2de0=1579006048; uva=s:264:"a:4:{s:13:"host_pre_time";s:10:"2020-01-14";s:2:"lt";i:1579006046;s:10:"last_refer";s:137:"https://www.baidu.com/link?url=uR5Oj9n_xm4TSj7_1drQ1HRnFTYNM0M2TCljkjVrdIiUE-B2qPgh0MifEkceLE_U&wd=&eqid=93c920a80002dc72000000035e1db85c";s:5:"rhost";s:13:"www.baidu.com";}";; __mfwurd=a:3:{s:6:"f_time";i:1579006046;s:9:"f_rdomain";s:13:"www.baidu.com";s:6:"f_host";s:3:"www";}; __mfwuuid=5e1db855-ab4a-da12-309c-afb9cf90d3dd; UM_distinctid=16fa418373e40f-070db24dfac29d-c383f64-1fa400-16fa418373fe31; __jsluid_h=b3f11fd3c79469af5c49be9ecb7f7b86; __omc_r=; __mfwa=1579006047379.58159.3.1579011903001.1579015057723; __mfwlv=1579015057; __mfwvn=2; CNZZDATA30065558=cnzz_eid=448020855-1579003717-https%3A%2F%2Fwww.baidu.com%2F&ntime=1579014923; bottom_ad_status=0; __mfwb=5e663dbc8869.7.direct; __mfwlt=1579019025; Hm_lpvt_8288b2ed37e5bc9b4c9f7008798d2de0=1579019026; __jsl_clearance=1579019146.235|0|fpZQ1rm7BHtgd6GdjVUIX8FJJ9o='
}
s = requests.Session()
value = []
def getList(maxNum):
"""
获取列表页面数据
:param maxNum: 最大抓取页数
:return:
"""
url = 'http://www.mafengwo.cn/gonglve/'
s.get(url, headers = headers)
for page in range(1, maxNum 1):
data = {'page': page}
response = s.post(url, data = data, headers = headers)
doc = PyQuery(response.text)
items = doc('.feed-item').items()
for item in items:
if item('.type strong').text() == '游记':
# 如果是游记，则进入内页数据抓取
inner_url = item('a').attr('href')
getInfo(inner_url)
def getInfo(url):
"""
获取内页数据
:param url: 内页链接
:return:
"""
response = s.get(url, headers = headers)
doc = PyQuery(response.text)
title = doc('title').text()
# 获取数据采集区
item = doc('.tarvel_dir_list')
if len(item) == 0:
return
time = item('.time').text()
day = item('.day').text()
people = item('.people').text()
cost = item('.cost').text()
# 数据格式化
if time == '':
pass
else:
time = time.split('/')[1] if len(time.split('/')) > 1 else ''
if day == '':
pass
else:
day = day.split('/')[1] if len(day.split('/')) > 1 else ''
if people == '':
pass
else:
people = people.split('/')[1] if len(people.split('/')) > 1 else ''
if cost == '':
pass
else:
cost = cost.split('/')[1] if len(cost.split('/')) > 1 else ''
value.append([title, time, day, people, cost, url])
def write_excel_xlsx(value):
"""
数据写入Excel
:param value:
:return:
"""
index = len(value)
workbook = xlsxwriter.Workbook('mfw.xlsx')
sheet = workbook.add_worksheet()
for i in range(1, index 1):
row = 'A' str(i)
sheet.write_row(row, value[i - 1])
workbook.close()
print("xlsx格式表格写入数据成功！")
def main():
getList(5)
write_excel_xlsx(value)
if __name__ == '__main__':
main()
因为马蜂窝在游记的详情页面上有反爬的限制，小编这里为了简单，直接从浏览器中将 cookie copy 出来，加在了请求头上。
小编这里简单的爬取了 5 个列表页的信息，如下：
好像数据量并不是很多的样子，各位同学可以尝试爬取 50 页或者 100 页的数据，这样得到的结果会有比较不错的参考价值。
好了，本篇内容到这里就结束了，小编随后会将全部的文章索引整理出来推在公众号上，方便大家查阅。
示例代码
本系列的所有代码小编都会放在代码管理仓库 Github 和 Gitee 上，方便大家取用。
示例代码-Github
示例代码-Gitee
