【51CTO.com原创稿件】祖国 70 周年的华诞一天天临近，各行各业都在为祖国母亲庆祝生日。作为一个 IT 人，也想贡献一份绵薄之力。
图片来自 Pexels
据文化和旅游部消息称，预计 2019 年国庆旅游人次有望达到近 8 亿。
#国庆假期或有近 8 亿人次出游#这个话题还冲上了微博热搜榜。
我仿佛已经看到了假期景区人山人海的画面!
左思右想，最后落脚到国庆长假的旅游上，能否用网络爬虫看看，十一长假哪些城市最堵?哪些景区最热门?
今天一起来看看，如何利用网络爬虫生成国庆期间的旅游热点图吧。
需求构思
制作一张旅游热点图，我们想要达到的效果是，在一张中国地图上面标注出旅游热点。
通过这张图可以知道哪些城市，或者哪些区域是十一期间的旅游热点。也就是说哪些地方在国庆期间去玩的人多。
构思图
首先，我们要找一个数据源能够获取全国旅游信息。这里有一个思路就是订票信息，哪些景点的订票比较多，那么这些景点所在的城市就越热门。类似的售票网站比较多，例如：携程，去哪儿，途牛旅游之类的。
然后，需要分析网站上面的票务数据，将我们感兴趣的旅游热点信息爬取下来。分析信息的重点是针对网页 HTML 信息的解析。
之后，将分析完毕的信息按照一定格式保存到本地，由于下载的信息可能和最终展示信息存在偏差，所以需要做一些数据清洗和数据聚合的操作。
最后，将整理好的信息输入到地图上显示出来，这也是最后展示的环节。这里可以选择对外展示的方式，例如：点图，线图，或者热力图。
网站分析
全局预览
找了一圈旅游网站以后，发现在“去哪儿”的门票页面中，有一个对旅游景点热度的展示信息。
网页会根据不同类型景点(自然风光，文化古迹等)进行查询，查询的结果会显示景点名称，景点热度和城市信息。
如果我们将这些景点对应的区域的热度进行汇总，就可以知道哪些区域对应的景点热度了。
先打开去哪儿旅游，搜索“热门景点”。下面列出了各个地方的热门旅游景点。
针对景点主题做了分类，在展示的列表中，有景点名称，景点级别，所在省市，以及热度。其中省市和热点是我们关心的数据。
URL 分析
URL 分析图
打开 Chrome 的开发者工具来看看 HTML 页面的结构。URL 的规律很容易能够看明白：
- Keyword 就是“热门景点”，它是个常量，每次请求填写这个就行了。
- Subject 是景点分类，例如：自然风光，游乐场，文化古迹等等。这个需要一一罗列出来，是在一个变量后面用数组存放。
- Page 是页数，如果我们要爬取所有的信息，需要一页一页往下翻，所以这个数字会不断增长。页面滑动到最下方的时候，会看到 Next 按钮，可以通过这个按钮将所有页面都遍历到。
URL 全景图
页面元素分析
通过 Chrome 开发者工具中的元素选择器，可以清楚地看到元素的 HTML 标签。
列表元素图
由于景点信息放在一个列表中，所以找到列表所在的元素，它放在 id 为“search-list”的 div 中。
也就是说在请求 URL 并获取 HTML 之后，我就需要找到“search-list”div 并且获取其中对应的项目信息。
获取了列表元素之后，再来看看每一项旅游纪录中的值如何获取。其内容放在”sight_item”的 div 中。
列表中每项的示意图
接下来分别将景点名称，景点级别，所在省市，热度，地址分别做分析。并且记录他们元素的值在后面解析 HTML 的时候可以用到。
元素的 HTML 标签获取类似上面两个元素。把上面这些元素的 ID 或者 Class 可以先记录下来，在后面解析 HTML 的时候会用到。
爬虫准备
构思和分析都完毕了，我们需要编写代码来实现想法。但是，在这之前我们需要把开发环境以及需要的工具准备好。
由于涉及到网络爬虫，以及图形的展示。所以这里计划使用 Python 作为开发语言，IDE 环境使用 PyCharm，展示图表用到 Pyecharts。
普及一下 Pyecharts，Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。
而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，Pyecharts 就诞生了。
因此，Pyecharts 可以理解为用 Python 来实现的 Echarts 程序，可以在 Python 上面运行，并且提供良好的地理信息展示。
Pyecharts 图标
另外 Pyecharts 的地理展示功能比较强大，这点也是我们需要利用的。
Pyecharts 展示中国地图
针对 HTML 的解析我们使用了 BeautifulSoup。它是一个可以从 HTML 或 XML 文件中提取数据的 Python 库，它能够通过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式。
BeautifulSoup 官网图片
爬虫编码
万事具备只欠东风，让我们开始写代码吧，为国庆搬砖让我快乐。这里我们把程序分成两个部分来写，一部分是爬取旅游热点信息，另一部分是旅游热点地图展示。
爬取旅游热点信息
程序流水图
先说一下获取旅游热点信息的思路，大约分为四步：
- 开始准备必要的文件和引入组件包。
- 组合变量 URL 并且做网络请求，请求不成功进行重试。
- 下载 HTML 以后对其进行解析，找到旅游热点列表，列表项，分析具体旅游信息。
- 把分析完的信息保存到 csv 文件中。
因为我们需要请求网络，解析 HTML，保存文件，所以需要引入一些 Python 的包：
- 网络请求
- HTML 解析
- 读写 csv
- 在请求头中伪装浏览器
- 错误重试，等待时间
接下来就是创建请求头，请求头中包括了请求的浏览器，语言，请求格式等信息。
这里我们是使用 fake_useragent 中 UserAgent 的 random 方法随机产生浏览器的信息。
这样在模拟浏览器访问网站的时候，每次请求都会随机模拟一种浏览器。例如：IE，Firefox，Chrome 等等。让网站认为是不同的人，用不同的浏览器来访问网站的。
接下来生成一个 csv 文件，用 utf-8 格式保存。这个文件是用来存放爬虫信息。
在文件的表头，我们分别定义了，“区域”，“名称”等和景点相关的字段。在文件生成的时候就准备好这些列，等填入数据以后，可以方便查看。
定义一个下载景点内容的函数，这个函数接受 URL 作为参数，然后通过 requests 对象下载景点内容。
由于下载信息可能会遇到网络问题，导致下载失败。所以，我们需要定义一个下载失败函数，在下载不成功的时候重试下载。
还记得之前分析的 URL 吗?景点的类型和分页是变量，这里我们定义一个生成 URL 的函数来处理这些变量。
我们会罗列需要搜索的景点类型在其中。Keyword 字段已经转换成 ACSII 码了，如果需要直接输入中文字符，可以使用 from urllib.parse import quote 来实现。
另外，我们的开始搜索的页面，使用 page=1，之后会解析页面中的“next”按钮，完成翻页的功能。
好了，到此我们定义了文件，下载函数，重试下载函数，分类搜集函数，现在要定义最重要的 HTML 解析函数了。它的输入参数是景点类型和 URL 地址。
依次执行以下工作：
- 下载 HTML，并且转换成 SOUP 对象。
- 找到旅游景点的列表。找到 div 的 id 为‘search-list’的元素。用 soup 的 find 方法找到它。
- 针对景点的项目进行遍历。在‘search-list’元素下面，通过 findAll 方法找到 class 是‘sight_item’的项目，并且对其进行遍历。
- 解析具体景点信息：名称，区域，省市，热度，地址等等。
- 找到翻页按钮，继续往下载后面的页面，并且再次解析。通过 find 方法找到 class 是‘next’的 a 标签。
最后，执行 main 函数运行整个 Python 程序：
下载完成的 csv 图
csv 看上去比较凌乱，把文件通过 xls 打开，看看格式化以后的热点信息：
整理以后的旅游热点图
旅游热点地图展示
好了旅游热点的信息已经抓到了，现在开始分析。这里建议将抓取和分析工作分成两块来进行。
因为，在抓取过程中会遇到网络问题，解析问题或者反爬虫的问题，而且抓取数据需要一段时间。
为了保证其独立性，所以信息抓取可以单独运行。当完成以后，把抓取的文件作为输入放到展示程序中运行。
展示程序主要完成，数据清洗，汇总求和以及展示地图的工作。这样前面的爬虫和后面的分析展示就连成一体了。
旅游热点分析流程图
首先我们依旧要引入几个 Python 包，如下。其中 Geoopts 和 ChartType 都是用来展示地图用的。
其次，我们需要装载 csv 文件。虽然我们下载了很多信息，但是对于我们最重要的其实是省市和热点信息。因为我们最后展示出来的就是，哪个城市是旅游的热点。
城市，热度信息图
根据观察，要计算城市的热度，必须将城市信息分组以后求和，这个也是需要考虑的。
根据城市信息对热度求和
将一些地图中无法识别的地点，以及一些没有热度值的脏数据过滤掉，就可以将生成的城市，热度列表传给展示函数了。
最后，展示函数接受到列表参数，绘制热力图：
结果分析
先看看哪些区域是大家比较喜欢的旅游目的地，如下图：
2019 国庆旅游热力图
从图上可以看出北京，沿海地区(福建，广州)，江浙地区，甘肃地区是国庆期间比较热门的景点。中部地区的武汉，由于军运会将至，也成为了旅游的热门城市。
2019 国庆旅游热点图
再来看看，TOP 20 的旅游热点城市，如下图：
TOP 20 的 5A 旅游景点：
总结
爬虫思维导图
在网络爬虫之前需要根据达到的目标进行构思，包括：选择网站，分析网站，数据抓取，数据展示。
在分析网站时，需要注意以下几点，包括全局分析，URL 分析，元素分析。
在爬虫编程之前，需要针对工具，IDE，Python 类库进行准备。爬虫编码分为，爬取旅游热点信息和旅游热点地图展示。
作者：崔皓
简介：十六年开发和架构经验，曾担任过惠普武汉交付中心技术专家，需求分析师，项目经理，后在创业公司担任技术/产品经理。善于学习，乐于分享。目前专注于技术架构与研发管理。
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
