python 爬虫 一键爬取携程旅游团数据

python 爬虫 一键爬取携程旅游团数据

前言

最近我的好朋友在做期末大作业，需要分析疫情前后对旅游行业的影响。于是，就求助我，想让我帮忙趴取一下携程旅游团的评价数据，包括评价时间、评价内容、评分这三条数据。
源码已上传到GitHub，有需要的伙伴自取：源码地址，如果有帮到你，不要忘记给个小⭐⭐

网站分析

第一步 查看首页数据格式

首先我们打开协程网站，随便搜一个地点，这里我以重庆为例：

地址：https://vacations.ctrip.com/list/whole/d-chongqing-158.html?from=do&startcity=2

大概就是这么个页面形式，为了减少工作量的同时，获取到更多的数据，我们采用销量优先的筛选模式，对这些参团游进行重新排序。

我们可以看到，排名前几名的都有非常可观的评价数，这里我们就取排名前4的旅游团

我们在当前页面按F12 进入开发者模式，看看当前呈现在我们面前的数据的原貌是什么

这里需要注意一点，进入开发者模式后，我们需要先点击另一个排序模式，再点回销量优先：

这样做的原因就是单纯的刷新页面，由于有些数据之前已经加载过了，就不会再进行请求了。

对了，在进行第二次点击时，注意点击clear (就在红点旁边)，清除一下

这次，我们来看看加载了哪些数据：

这里我们先选择XHR进行筛选，过滤掉图片、js、css等文件。

这么多请求，哪个是我们需要的呢？最好的办法呢，就是一个一个看！

这里我就不给大家演示了，就直接用红色框标出来我们需要的

我们将右边的json数据的进行展开，会发现，在products这个里面，就是我们需要的数据：

这里我把products种的第一个数据赋值过来大家看看：

{
            "id":1020423035,
            "name":"重庆4日自由行·【爆红名宿＆网红拍照圣地】精选民宿·套房任选丨全家出动·渝见你的温馨时光丨走步道·坐索道·看轻轨·赏夜景·吃火锅·不一样的旅行",
            "type":1,
            "typeName":"自由行",
            "level":0,
            "price":0,
            "departureCityId":2,
            "saleMode":"S",
            "brandName":"携程自营",
            "saleCount":0,
            "commentCount":44,
            "commentScore":4.6,
            "buType":"GT",
            "saleout":false,
            "hotelName":"滨之星商务度假公寓(重庆解放碑店) 重庆斯维登服务公寓(解放碑协信公馆) 重庆两江公馆服务公寓(解放碑大唐诺亚店) 重庆渝佳酒店公寓解放碑日月光店 重庆斯维登服务公寓(解放碑大唐诺亚) 重庆大唐诺亚服务公寓 重庆云尚轻奢酒店公寓 重庆解放碑日月光云菲度假公寓 重庆一瓦涧精品民宿酒店 coco北欧小居住宿(重庆解放碑店) 久栖·重庆日月光酒店公寓解放碑店",
            "hotelStar":0,
            "hotelStarLicence":0,
            "hotelCustomEval":0,
            "correlationScore":0
        }

经过英文提示和数据的对比，我们获取我们需要的信息

id:每个旅行项目的编号
saleMode:销售模式，S 表示self  猜测是自营的意思

至于多少人购买，总和评分这些我们不需要，在这里就不说了

找到我们要请求接口了，我们看看需要提交哪些数据吧：

{"contentType":"json","head":{"cid":"09031160411534832517","ctok":"","cver":"1.0","lang":"01","sid":"8888","syscode":"09","auth":"","extension":[]},"version":"80400","client":{"trace":"none","device":"PC","source":"NVacationSearchV2","variables":[{"key":"SHXVERSION","value":"B"}],"cid":"1590973576257.dfu8z"},"poiType":{"poid":158,"type":"D","keyword":"重庆"},"filtered":{"sort":2,"channel":"Online","tab":"A126","saleCity":2,"startCity":2,"pageSize":30,"pageIndex":1,"items":[]},"returnType":{"type":"all","filters":"ProductNewLine,ProductLine,HotDestination,HotScenicSpot,SaleDepartureStat,TravelDays,DepartureDate,Month,ProductPattern,ProductLevel,ADSuitPersons,ProductDistrict,ProviderBrand,PriceRange,Promotion,OnSale","recommendProduct":true}}

这就是一个json形式的数据，然后我们看一下请求地址：https://vacations.ctrip.com/list/restapi/gateway/13561/search?_fxpcqlniredt=09031160411534832517

我们只需要构造请求数据，然后发送到请求地址就可以获取我们想要的数据啦，接着往下看吧

第二步 查看详细页数据格式

前面我们获取了首页的数据，接下来面临一个问题：我们如何通过主页进入到详情页呢？

通常我们都是先在html数据页面获取每个旅行项目详情页的链接，但是，这个项目并不直接给你提供这样的链接，而是通过js进行自行组装(我猜测的)。先不管了，我们先点击看看链接形式是什么样的

地址链接：https://vacations.ctrip.com/tour/detail/p1020423035s2.html

我们再点击第二个旅游项目的详情页：

链接地址：https://vacations.ctrip.com/tour/detail/p2563522s2.html

我们再拿出来前面我们获取的第一个旅游项目的id编号：1020423035

这下我们能够发现，这两个链接只有中间数字上的不同，而且，我们这中间的数字不是别的，就像该旅行项目的id编号。

我们有了详情页的地址，那么获取详情页的数据岂不是轻而易举？

NO NO NO ！！！

事情没那么简单，这里我不带大家验证了，直接告诉大家，用户评价的数据是通过js后续请求加载进来的，直接通过请求htm地址页面，无法获取，除非你使用一些其他高级的手段，比如使用selenium工具包进行真实浏览器访问。扯远了 ，我们接下来还是通过F12控制台寻找数据

老样子，XHR 筛选数据，通过一个一个查找以及英文提示，我们很快的就能找到我们所需要的数据：

{
            "commentId":13705053,
            "originalId":0,
            "userId":"300****168",
            "userInfo":{
                "displayName":"300****168",
                "avatarUrl":"https://dimg04.c-ctrip.com/images/t1/headphoto/646/318/109/a865fe5f5465407d8befd5dc487a8554.jpg",
                "curLevelCode":"10",
                "curLevelName":"黄金贵宾"
            },
            "content":"难忘的一次旅行，走了几个经典路线，喜欢上重庆这座城市！重庆独特的城市文化，令人震撼的自然景观，都给我留下了深刻的印象！感谢导游小潘，幺妹儿热情，民宿老板娘热情周到的服务！",
            "commentTime":1579774408793,
            "score":5,
            "essential":false,
......

这里我们只是comments下的第一条数据，我们需要以下这几个数据：

content：评论内容
commentTime： 评论时间  这里是时间戳 需要转化为正常的时间格式
score：评分

老规矩，接下来看看请求地址和请求数据：

请求地址：https://vacations.ctrip.com/tour/restapi/online/15656/listProductComments.json?_fxpcqlniredt=09031160411534832517

请求数据(同样是一段json数据)：

{"ChannelCode":0,"Version":"810000","Locale":"zh-CN","head":{"cid":"09031160411534832517","ctok":"","cver":"1.0","lang":"01","sid":"8888","syscode":"09","auth":"","extension":[]},"productId":1020423035,"paging":{"pageSize":5,"pageNo":1},"sortType":2,"tagTerms":[],"PlatformId":4,"contentType":"json"}

这里我们需要注意几个数据：

pageNo:1 第几页
productId：1020423035 产品编号 也就是旅行项目编号

为什么只需要注意这几个数据呢，是因为不同旅行项目详情页productId 值不一样，查看所有评论

好了 分析就到此结束了

代码实操：

一、获取旅行项目的名字和id

def test1(destination):
    headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36',
             'Cookie':'_abtest_userid=d778cf10-b380-4da2-977a-b3fd72a9934d; _RF1=120.216.170.214; _RSG=xQKVBUHW1u6FBqc9suTio8; _RDG=28014134c27fb82c9e1cd0973a907c8ce8; _RGUID=6e018117-8b7d-46bb-8cac-778d899b42cf; Session=smartlinkcode=U130026&smartlinklanguage=zh&SmartLinkKeyWord=&SmartLinkQuary=&SmartLinkHost=; Union=AllianceID=4897&SID=130026&OUID=&createtime=1590973579&Expires=1591578378915; MKT_CKID=1590973578972.3e60b.vtue; MKT_CKID_LMT=1590973578973; MKT_Pagesource=PC; _ga=GA1.2.776587014.1590973579; _gid=GA1.2.428582162.1590973579; StartCity_Pkg=PkgStartCity=2; GUID=09031160411534832517; appFloatCnt=1; manualclose=1; _jzqco=%7C%7C%7C%7C%7C1.1607786070.1590973578966.1590975682555.1590976896014.1590975682555.1590976896014.0.0.0.8.8; __zpspc=9.1.1590973578.1590976896.8%232%7Cwww.baidu.com%7C%7C%7C%7C%23; _bfa=1.1590973576257.dfu8z.1.1590973576257.1590973576257.1.31; _bfs=1.31; _bfi=p1%3D104317%26p2%3D104317%26v1%3D31%26v2%3D30; _gat=1',
             'origin':'https://vacations.ctrip.com',
             'x-req-src':'{"appId":"100020727","from":"vacations.ctrip.com/list/whole/d-chongqing-158.html","version":"8300.103","os":"PC","platform":"Online"}',
             'content-type':'application/json'}
    data={"contentType":"json","head":{"cid":"09031160411534832517","ctok":"","cver":"1.0","lang":"01","sid":"8888","syscode":"09","auth":"","extension":[]},"version":"80400","client":{"trace":"none","device":"PC","source":"NVacationSearchV2","variables":[{"key":"SHXVERSION","value":"B"}],"cid":"1590973576257.dfu8z"},"poiType":{"poid":158,"type":"D","keyword":destination},"filtered":{"sort":2,"channel":"Online","tab":"A126","saleCity":2,"startCity":2,"pageSize":30,"pageIndex":1,"items":[]},"returnType":{"type":"all","filters":"ProductNewLine,ProductLine,HotDestination,HotScenicSpot,SaleDepartureStat,TravelDays,DepartureDate,Month,ProductPattern,ProductLevel,ADSuitPersons,ProductDistrict,ProviderBrand,PriceRange,Promotion,OnSale","recommendProduct":True}}
    url="https://vacations.ctrip.com/list/restapi/gateway/13561/search?fxpcqlniredt=09031160411534832517"
    data = json.dumps(data)
    re = requests.post(url,headers=headers,data=data)
    jsondata = re.json()
    listdata=[]
    for i in range(4):
        listdata.append([jsondata['products'][i]['name'],jsondata['products'][i]['id']])
        #print(jsondata['products'][i]['name'],jsondata['products'][i]['id'],)
    return listdata

• 这里首先我们构造请求头 其中就包括 Cookie、User-Agent、origin、x-req-src

• 构造一个data数据，这个数据就是之前咱们提到的第一个json数据，这里面有一个destination 参数，代表的是地名，比如重庆、广州、山东这些等。

• 我们通过json 进行将数据转化为json，即时有时不需要这样转化，但是还是建议大家去做，因为有时候回报 无效json 的错误。

• 通过requests.post 进行请求访问，for循环4次获取前四个旅游项目的姓名和id，这里我存到了list列表中。

二、获取详情页数据：

def test2(id):
    headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36',
             'Cookie':'_abtest_userid=d778cf10-b380-4da2-977a-b3fd72a9934d; _RF1=120.216.170.214; _RSG=xQKVBUHW1u6FBqc9suTio8; _RDG=28014134c27fb82c9e1cd0973a907c8ce8; _RGUID=6e018117-8b7d-46bb-8cac-778d899b42cf; Session=smartlinkcode=U130026&smartlinklanguage=zh&SmartLinkKeyWord=&SmartLinkQuary=&SmartLinkHost=; Union=AllianceID=4897&SID=130026&OUID=&createtime=1590973579&Expires=1591578378915; MKT_CKID=1590973578972.3e60b.vtue; MKT_CKID_LMT=1590973578973; MKT_Pagesource=PC; _ga=GA1.2.776587014.1590973579; _gid=GA1.2.428582162.1590973579; StartCity_Pkg=PkgStartCity=2; GUID=09031160411534832517; appFloatCnt=1; manualclose=1; _jzqco=%7C%7C%7C%7C%7C1.1607786070.1590973578966.1590975682555.1590976896014.1590975682555.1590976896014.0.0.0.8.8; __zpspc=9.1.1590973578.1590976896.8%232%7Cwww.baidu.com%7C%7C%7C%7C%23; _bfa=1.1590973576257.dfu8z.1.1590973576257.1590973576257.1.31; _bfs=1.31; _bfi=p1%3D104317%26p2%3D104317%26v1%3D31%26v2%3D30; _gat=1',
             'origin':'https://vacations.ctrip.com',
             'x-req-src':'{"appId":"100007656","from":"vacations.ctrip.com/tour/detail/p1020423035s2.html","version":"8300.103","os":"PC","platform":"Online"}',
             'content-type':'application/json'}
    for i in range(1,10):
        try:
            pagenum = i
            data={"ChannelCode":0,"Version":"810000","Locale":"zh-CN","head":{"cid":"09031160411534832517","ctok":"","cver":"1.0","lang":"01","sid":"8888","syscode":"09","auth":"","extension":[]},"productId":id,"paging":{"pageSize":5,"pageNo":pagenum},"sortType":2,"tagTerms":[],"PlatformId":4,"contentType":"json"}
            url="https://vacations.ctrip.com/tour/restapi/online/15656/listProductComments.json?_fxpcqlniredt=09031160411534832517"
            data = json.dumps(data)
            re = requests.post(url,headers=headers,data=data)
            jsondata = re.json()
            for i in range(5):
                print("\n-----------------------")
                print("评论内容：",jsondata['comments'][i]['content'])#获取评论数据
                print("评分：",jsondata['comments'][i]['score'])#获取评分
                datatime = str(jsondata['comments'][i]['commentTime'])[:-3]
                times = time.localtime(int(datatime))
                datatime = time.strftime("%Y-%m-%d %H:%M:%S",times)
                print("日期：",datatime)#获取日期
                print("-----------------------\n")
            time.sleep(2)
        except:
            break

• 还是构造headers 和data数据，这里面data中有两个参数，一个是id 项目编码，另一个pagenum 是当前评价页面。这里我做了一个处理，只取前9也得评价，如果评价不够9页怎么办，没有关系，会直接出发报错，运行break 跳出循环。

• 紧接着for循环5次，是因为一个页面有五条评论数据

• 获取到的时间数据是时间戳，这里时间戳是13位，平常python中处理的时间戳是10位，是不包括毫秒的，这里我们先转化为字符串，截取前10个字符，再转化为整型。

• 通过time.localtime 和 time.strftime 方法将时间戳转化为年-月-日 时：分：秒的格式。

• 为了爬取太过于频繁，我们设置一个2s的休息时间 time.sleep（2）

三、总方法

def  mainfun():
    traveldestination = ['重庆','广州','郑州','三亚','上海','杭州','北京','成都']#这里是添加旅游地点
    for i in range(len(traveldestination)):
        listdata = test1(traveldestination[i])
        print("地点:",traveldestination[i],end='\n')
        for data in listdata:
            print(data[0])
            test2(data[1])

• 我们可以往列表 traveldestination中添加我们想爬取的地点
• 通过循环不断地获取评价数据

四、可改进地方

1. 使用多线程加快爬取速度，并且多线程有同步机制，输出数据时也不会出现混乱
2. 考虑地情况不足，比如旅行团有非自营的

五、执行结果

地点: 重庆
重庆4日自由行·【爆红名宿＆网红拍照圣地】精选民宿·套房任选丨全家出动·渝见你的温馨时光丨走步道·坐索道·看轻轨·赏夜景·吃火锅·不一样的旅行

-----------------------
评论内容： 难忘的一次旅行，走了几个经典路线，喜欢上重庆这座城市！重庆独特的城市文化，令人震撼的自然景观，都给我留下了深刻的印象！感谢导游小潘，幺妹儿热情，民宿老板娘热情周到的服务！
评分： 5
日期： 2020-01-23 18:13:28
-----------------------


-----------------------
评论内容： 一瓦涧精品民宿
老板非常热情周到！有缘让我们相识，感谢这几天对我们的关照，给我们做早餐发红包。实在不好意思[害羞]。真是倍感亲切，有朋友来就让她们直接去找你哦。期待下次我们再相聚[亲亲][好的]
当地一日游任师傅服务热情讲解到位，引领出行深入重庆了解感受当地民风民俗。很满意谢谢！
评分： 4
日期： 2020-01-27 11:24:14
-----------------------


-----------------------
评论内容： 在携程上搜的自由行套餐，行程安排的很好，导游也不错，最棒的是一瓦涧民宿，老板娘很热情，服务很周到，房间有暖气，老板娘给放了很多水果和坚果，还邀请我们一起吃早饭，介绍好玩的好吃的地方，房间很舒服，环境也很棒，位置出行也很方便，非常赞的一次旅行
评分： 5
日期： 2020-01-24 15:45:09
-----------------------


-----------------------
评论内容： 很好的旅行体验。
评分： 5
日期： 2020-03-17 01:38:15
-----------------------

上述时部分执行数据，有了这些数据，就可以做一些数据分析了

总结

原本以为非常简单的事情，还是花了一上午时间，所以，我们还是多去实际动手做一些东西，尽管有些东西非常简单，但是中间可能也会出现一些动态性的错误。如果有需要完整代码的话，可以在评论中留言。