用 Python 偷偷告诉你国庆 8 亿人都去哪儿浪？

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