携程酒店评论爬虫心得 - 好文

携程酒店评论爬虫心得

这次爬取数据，遇到了不少的困难，也走了很多弯路，特此写下帮助记忆。以下基本是我爬取数据的过程，前半段是弯路，可直接绕过，后半段是解决方法。

打开携程,南京YMCA酒店页面，可以发现如下布局：
其中，酒店点评是我要找的内容。
一般来说，抓取内容采用 requests+xpath。如下：
import requests from lxml import etree url =
'http://hotels.ctrip.com/hotel/1678723.html?isFull=F#ctm_ref=hod_sr_lst_dl_n_1_1'
s = requests.get(url).text #获取网页内容 body = etree.HTML(s) #解析网页，用于网页各内容的定位
#以用户名来做实验 user_name = body.xpath(
'//*[@id="divCtripComment"]/div[4]/div[12]/div[1]/p[2]/span/text())
print(user_name)
结果显示正常，但是可以由图1看到，酒店点评是进行翻页的，存在下一页按钮，以及页码搜索框等。
因此，如果要获取不同页面的内容，需要有每一页的索引。
但是此处，点击下一页，网页的url不改变。
初步确定为”动态加载。

寻找url的过程比较长久。分别包含以下：
1. 关闭JavaScript，可以发现每一页有一个独立的url。
但是，将其按照上述方法执行，结果仍然不是所要的。

2.获取关于点评的网页url

这个url是我的在无意中从别人的博客中获取的【现在找不到了】，打开后，页面上只存在酒店点评。一开始，我觉得页面很干净，而且鼠标向下滑动的时候，会显示”加载中“，每次增加十个评论。我试用了好多方法去解决”加载“问题，但是只显示最新的十个结果。

* 构建网页的url url =
'http://hotels.ctrip.com/Domestic/tool/AjaxHotelCommentList.aspx?' params =
headers = data = requests.get(url,headers = headers, params = params)
#headers可以看到 GET方式

此种方式，最终得到的内容仍然为空。
4.根据preview
一博客上介绍可以看一下preview，观察源代码结构后，结果仍然为空。并提示我“非法参数”。
5~.还有若干方法，若干博客，以及若干公众号，我已经不愿提起。。。。

最终询问了大佬，大佬提及chromedriver，终于看到了曙光。本人电脑实在渣，加上网速慢，半小时才把【selenium，chromedriver】准备妥当。而且由于电脑一直提示不安全，某些链接无法选择，过程特别慢。严重怀疑我之前的方法是不是不在于算法，而在于电脑问题。
下边直接放代码：
#计算运行时间 import datetime starttime = datetime.datetime.now() #引入相关库 from
seleniumimport webdriver from bs4 import BeautifulSoup import time #导入Keys
模块[键盘] from selenium.webdriver.common.keys import Keys import csv #主体部分 url =
'http://hotels.ctrip.com/hotel/5311088.html?isFull=F#ctm_ref=hod_sr_lst_dl_n_1_2'
browser = webdriver.Chrome('E:/chromedriver.exe') browser.get(url) #打开网页 page =
1 with open('file.csv','w',encoding = 'utf-8') as f: while page < 5: html =
browser.page_source body = BeautifulSoup(html,"html.parser") user_list =
body.find('div',{"class":"comment_detail_list"}) #print(user_list) name_counter
=0 for user_info in user_list: n = page *(name_counter+1) print('第{}页第{}个用户'
.format(page,name_counter+1)) #获取用户名 user_name = user_info.find('p',{"class":
"name"}).find('span') if user_name is None: user_name = None else: user_name =
user_name#print(user_name.get_text()) #保存结果 f.write("{}\n".format(user_name))
name_counter +=1 print(name_counter) print('____________________-') page +=1
obj = page time.sleep(8) #执行翻页操作,搜索框输入页码 input = browser.find_element_by_xpath(
"//input[@id='cPageNum']") input.clear() input.send_keys(obj)
input.send_keys(Keys.ENTER)
#以上各项指标比较粗糙，因为担心html的<a><div>等组件存在差异【其实，我看了一些确实有差异，所以才改成粗糙的获取方式；注释掉的print括号内有些可能不正确，我也每检查，反正后来不需要了。replace,strip等方法可以让结果去除掉无用字符
#获取结束时间 #long running endtime = datetime.datetime.now() print (endtime -
starttime).seconds
相关资源：

* python使用chrome driver做简单爬虫 <https://www.jianshu.com/p/4b84a7d7e567>
* python selenium执行翻页
<https://blog.csdn.net/qq_27901091/article/details/81437192>

热门工具换一换