PHP爬虫旅游数据分析

php旅游网

随着物质的提高,旅游渐渐成为人们的焦点,火热的国庆刚刚过去,乘着这股余热,我想很多人都想知道,大家一般会去哪里玩呢,于是我花了10分钟写了一个采集游记的小程序,当然速度能有这么快,完全依赖于PHP著名爬虫框架phpspider。

国际惯例,我们先来看看代码怎么写,算作抛砖引玉吧 ^_^。

1、获取热门城市

/mdd/citylist/21536.html。

首先我们要采集下这些热门城市。

当我们点击页数的时候,发现他的数据是Ajax加载的,末页是297,而且使用的是POST方法。

提交的参数如下：

POST的话URL只有一个,phpspider框架是有 URL 去重机制的,但是query_string是不影响POST数据的,很明显这个page就是页数了,这里就有个问题,我们可以在后面加上 ?page=1|2|3…,所以我们代码可以这么写：。

设置列表页规则：'list_url_regexes' => array(。

'/mdd/base/list/pagedata_citylist?page=d+',。

)

在入口回调函数入口所有城市列表：$spider->on_scan_page = function($page, $content, $phpspider)。

{

/上面Ajax分页的末页是297页。

for ($i = 0; $i $url,。

'method' => 'post',。

'fields' => array(。

'mddid'=>21536,。

'page'=>$i,。

)

);

/热点城市列表页URL入队列。

$phpspider->add_url($url, $options);。

}

};

2、获取热门城市下的游记列表

点击进入一个城市后,我们可以看到他下面的游记列表。

然后随意点击一个分页得到Ajax的URL：,也是Ajax加载的,点击Network,当然和上面一样,我们可以打开chrome的开发者工具。

和城市列表一样,也是POST,参数如下：。

很明显page就是页数了,当然我们直接通过POST方式访问Ajax地址：。

/gonglve/ajax.php?act=get_t…。

是直接报错的,他需要来路,综合以上,我们代码可以这么来写：。

首先我们要在 on_start 回调函数里面加上来路URL$spider->on_start = function($phpspider)。

{

$phpspider->add_header('Referer','/mdd/citylist/21536.html');。

};

和上面获取城市列表一样,设置列表匹配规则：'list_url_regexes' => array(。

'/gonglve/ajax.php?act=get_travellist&mddid=d+',。

)

然后在 on_list_page 回调里面判断如果是第一页就获取总页数,然后循环入队列：preg_match('#共(.*?)页#', $data_page, $out);。

for ($i = 0; $i < $out[1]; $i++)。

{

$v = $page['request']['fields']['mddid'];。

$url = '/gonglve/ajax.php?act=get_travellist&mddid={$v}&page={$i}';。

$options = array(。

'url_type' => $url,。

'method' => 'post',。

'fields' => array(。

'mddid'=>$v,。

'pageid'=>'mdd_index',。

'sort'=>1,。

'cost'=>0,。

'days'=>0,。

'month'=>0,。

'tagid'=>0,。

'page'=>$i,。

)

);

/游记列表页URL入队列。

$phpspider->add_url($url, $options);。

}

从这些列表里面获取内容页URL,我们就把所有热门城市下的游记列表都放入到了队列,然后提取内容,通过上面两个步骤,接下来我们进行第三步。

3、获取热门城市下的游记列表

在 on_list_page 方法里面会得到列表页的内容,从这些内容里面我们可以提取内容页的URL/获取内容页。

preg_match_all('##', $html, $out);。

if (!empty($out[1]))。

{

foreach ($out[1] as $v)。

{

$url = '/i/{$v}.html';。

/内容页URL入队列。

$phpspider->add_url($url);。

}

}

下来我们来配置field提取内容页字段'fields' => array(。

/标题

array(

'name' => 'name',。

'selector' => '//h1[contains(@class,'headtext')]',。

'required' => true,。

),

/分类

array(

'name' => 'city',。

'selector' => '//div[contains(@class,'relation_mdd')]//a',。

'required' => true,。

),

/出发时间

array(

'name' => 'date',。

'selector' => '//li[contains(@class,'time')]',。

'required' => true,。

),

)

设计一张数据表：

当然我们还可以获取游记的浏览量、收藏、分享、置顶、游玩金额等等,太多了,方法类似。

得益于phpspider自带了多进程采集功能,数据很快就采集完成,总共不到200行的代码,总共7W多点,到此程序就设计完了。

得到这些数据以后,我们能干什么呢。

Top10 旅游城市分别是。

云南是一个好地方,也是博主日夜思念的地方啊,可以看得出。

五一和国庆期间旅游城市占比。

好吧,表示好受伤~_~!,这两个地方博主都没去过,五一的时候大家喜欢去西藏玩,可以看得出,国庆却更青睐青岛。

接下来我们来看看这一年来北京和杭州的旅游旺季。

博主就曾经有有一年8月份去的北京,可以看出七八月份去北京的人会比较多,不热也不冷,舒服死了^_^,这个时候北京是最爽的。

我们再来看看杭州

看得出3月底到4月中旬是杭州适合游玩的季节啊,那时候春暖花开,天气也不错,听说太子湾公园每年那时候都会有樱花和郁金花展,非常美,艾玛旅游病又犯了~_~!。

比如采集热门路线啊,还有旅游路线的价位啊,好吧文章到此就结束了,如果你们有好的想法,热门景点啊,热门图集啊,我把他采集下来,其实还想分析更多,最终形成一个旅游的APP,也可以来告诉我,供大家参考 ^_^。