1. 前期准备
1.1 软件安装
- Python 3 从官网下载安装最新版本 https://www.python.org/downloads/
安装时勾上pip和配置环境变量。 - IDE可以用Pycharm https://www.jetbrains.com/pycharm/download/#section=windows
选择community版本。
1.2 模块安装
要安装的模块有两个，分别是 ：
- Requests
- BeautifulSoup
打开CMD后在命令行分别输入以下两行代码即可。
pip install requests
pip install beautifulsoup4
2. 网站分析
目标功能是实现对于缤客（Booking.com）网搜索页面酒店信息页的爬取，
我们首先要了解缤客网是怎么样提供酒店信息的。
首先打开缤客网 www.booking.com
1. 缤客网主页
我们打算在 3月1日至 3月2日在纽约住一晚，点击搜索，得到以下页面
2. booking 搜索页
为了提取信息，我们可以利用Requests命令获取网页信息：
import requests
url = “https://www.booking.com/searchresults.zh-cn.html?label=gen173nr-1DCAQoggJCDWNpdHlfMjAwODgzMjVIK1gEaHWIAQGYATLCAQp3aW5kb3dzIDEwyAEM2AED6AEB-AEDkgIBeagCAw&sb=1&src=searchresults&src_elem=sb&error_url=https%3A%2F%2Fwww.booking.com%2Fsearchresults.zh-cn.html%3Flabel%3Dgen173nr-1DCAQoggJCDWNpdHlfMjAwODgzMjVIK1gEaHWIAQGYATLCAQp3aW5kb3dzIDEwyAEM2AED6AEB-AEDkgIBeagCAw%3Bcheckin_month%3D3%3Bcheckin_monthday%3D1%3Bcheckin_year%3D2018%3Bcheckout_month%3D3%3Bcheckout_monthday%3D2%3Bcheckout_year%3D2018%3Bclass_interval%3D1%3Bdest_id%3D20088325%3Bdest_type%3Dcity%3Bdtdisc%3D0%3Bfrom_sf%3D1%3Bgroup_adults%3D1%3Bgroup_children%3D0%3Binac%3D0%3Bindex_postcard%3D0%3Blabel_click%3Dundef%3Bno_rooms%3D1%3Boffset%3D0%3Bpostcard%3D0%3Braw_dest_type%3Dcity%3Broom1%3DA%3Bsb_price_type%3Dtotal%3Bss_all%3D0%3Bssb%3Dempty%3Bsshis%3D0%26%3B&ss=纽约&ssne=纽约&ssne_untouched=纽约&city=20088325&checkin_year=2018&checkin_month=3&checkin_monthday=1&checkout_year=2018&checkout_month=3&checkout_monthday=2&group_adults=1&group_children=0&no_rooms=1&from_sf=1”
r = requests.get(url)
print(r.text)
在分析具体返回结果之前，我们看到这一串 url 实在太长了，看到眼花缭乱，有没有办法可以缩短一点并提取关键信息呢？
答案是可以的，仔细分析后，我们看到了结尾处写的信息似乎有点玄机：
- city = 20088325
- checkin_year = 2018 ...
- group_adults = 1
不正好是我们之前搜索的信息吗，并且缤客网用代号的方式储存城市名字，此外还要输入入住和退房的年月日以及人数。
为了验证我们的想法，尝试去删除在“&city”之前至问号为止的大段乱码，回车，发现得到的网页与原来一致，看来我们的猜想是正确了。
在多次尝试后，我们发现，城市代码，入住与退房日期是必填的，而大人与小孩人数与房间个数等如果不输入的话，会默认为1名大人，0个小孩和1间房间。
至此，整段网址就被缩短为：
url = “https://www.booking.com/searchresults.zh-cn.html?city=20088325&checkin_year=2018&checkin_month=3 &checkin_monthday=1&checkout_year=2018&checkout_month=3&checkout_monthday=2
我们再来看看之前网站的输出结果：
3. 返回的结果
从返回的结果中仔细分析，发现了 sr-hotel__name 类中储存了酒店的名字，但是搜索结果个数只有15个，且第一个为 Park West Hotel（公园西酒店），与之前浏览器中的第一个酒店名字 Hotel Pensylvania（宾夕法尼亚酒店）不相符。
我们在直接在刚才浏览器页面中右键，点击查看源代码。
4. 浏览器中的源代码
可以看到此时同样搜索 hotel__name，产生了46个结果，并且第一个与页面相符，为Hotel Pensylvania（宾夕法尼亚酒店）。看来缤客网没打算这么轻易把信息交给我们。
说明在发送请求时，并不是简单的发送了一个 Request，而是附加了一些信息进行辨认。
为了分析具体发送了什么，我们在刚才的搜索页面中按 F12 打开控制台，点击Network，然后点击 F5 进行页面刷新。
5. 刷新结果
可以看到产生了许多信息，一般情况下，动态的网页都是由AJAX请求然后返回一个json页面进行调取，那么缤客网也是如此吗，这两个请求主要在XHR和JS中，我们点击上方的XHR，筛选XHR项，并点击其中一页，选取Preview进行页面查看，在页面中搜索hotel，并没有得到结果。
将XHR选项卡和JS选项卡中的页面逐个分析后，都没有搜索到相应的信息，我们可以判定酒店的信息不是来自这里。
6. XHR结果
我们接着查看了其他可能的选项卡，最终发现在Doc选项卡中找到了一个叫做Searchresults的文件，点开preview后搜索hotel__name，发现同样得到了46个结果，且第一个结果与之前看到的 Hotel Pennsylvania（宾夕法尼亚酒店）一致。
也就是说，酒店的信息就储存在这个页面中。
7. Doc结果
接下来我们要做的就是用Requests指令获取这个页面的信息。
点击Headers，查看Request Headers。
8. Request Headers
可以点开Request Headers左上角的 X 按掉，可以看到这个页面的请求的方式是GET
那么我们就可以将其中信息复制，并用Requests指令中的
requests.get(url, headers=headers)
方式发送GET请求，其中可以尝试删除部分Headers让代码简化，在几次尝试后发现，除了
- User-Agent
- Cookies
这两部分是必不可缺之外，其他部分均可删除。
那么如何进行下一页的访问呢？
在之前的搜索页下打开F12控制台，点击搜索页中的下一页，发现页面只有中间部分进行了刷新，那么很有可能是一个AJAX请求，这时在Doc中没有找到相应的文件，仔细查找后，发现在XHR选项卡中新生成了一个同样叫Searchresults的页面，查看Preview，其中内容正是第二页中的酒店信息。
9. 2nd page
10. 3rd page
查看 Headers 中的信息，发现其中rows：50和offset：50十分可疑，因为一页中共显示50个酒店，点击第三页查看一下，果然在offset处变成了offset: 100，看来我们可以通过改变请求中的offset 来改变页数。
https://www.booking.com/searchresults.zh-cn.html?aid=304142&label=gen173nr-1DCAQoggJCDWNpdHlfMjAwODgzMjVIK1gEaHWIAQGYATLCAQp3aW5kb3dzIDEwyAEM2AED6AEB-AEDkgIBeagCAw&checkin_month=3&checkin_monthday=1&checkin_year=2018&checkout_month=3&checkout_monthday=2&checkout_year=2018&city=20088325&class_interval=1&dest_id=20088325&dest_type=city&from_sf=1&group_adults=1&group_children=0&label_click=undef&no_rooms=1&raw_dest_type=city&room1=A&sb_price_type=total&src=searchresults&src_elem=sb&ss=%E7%BA%BD%E7%BA%A6&ssb=empty&ssne=%E7%BA%BD%E7%BA%A6&ssne_untouched=%E7%BA%BD%E7%BA%A6&rows=50&offset=100
观察此时的url结尾，可以看到这个参数是通过params传递的。
至此我们就摸清了缤客网的爬取原理。
3. 代码实现
先贴上完整代码，然后逐行解释。
import requests
import re
from bs4 import BeautifulSoup
def SearchInfo():
kv = {
'city':'20088325',
'checkin_year':'2018',
'checkin_month':'3',
'checkin_monthday':'1',
'checkout_year':'2018',
'checkout_month':'3',
'checkout_monthday':'2',
'offset':'0',
}
return kv
def Headers():
headers = {
"Cookie":"输入你自己的cookies",
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36",
}
return headers
def getHTMLText(url, **kwargs):
try:
r = requests.get(url, **kwargs)
r.raise_for_status()
return r.text
except:
return None
def main():
#input url
url = 'https://www.booking.com/searchresults.zh-cn.html?'
for i in range(10):
kv = SearchInfo()
headers = Headers()
try:
kv['offset']=i*50
r = getHTMLText(url, params=kv, headers=headers)
soup = BeautifulSoup(r, 'lxml')
Hotels = soup.find_all(class_="sr-hotel__name")
print("page %s" %(i+1))
for name in Hotels:
print(re.sub(r'\n', '', name.text))
except:
continue
main()
- 首先分别调用requests，re和BeautifulSoup三个模组，其中BeautifulSoup注意大小写。
- 定义SearchInfo（）在字典 kv 之中输入之前提到的搜索信息，此处以纽约为例，输入城市代码20088325，入住日期2018年3月1日，退房日期为2018年3月2日，加上一个页数的起始参数 offset: 0。
- 定义Headers（），在字典 Headers 之中将Cookies和User-Agent信息传递进去。
- 定义 getHTMLText（）来获取页面信息，加上一个try，except结构让代码更安全，通过requests.get() 函数获取页面，r.raise_for_status()为检查页面是否获取成功，如果成功就返回 r.text 即页面内容。
- 主函数中先输入起始页面，用for循环下载前10页共500条酒店信息，加入try结构跳过错误，在每一次循环中通过 i*50 改变offset的值来改变页数，通过 BeautifulSoup 解析 r.text 文件，并用 .find_all（）搜索“sr-hotel__name”类来查找包含酒店名字的标签，因为产生的结果中首尾各包含一个换行符，用正则式中的re.sub（）命令来删除换行符，最后用for循环打印出每一个包含酒店名字标签中的text，即酒店的名字。
11. 输出结果
4. 小结
本文中还未提到如何将得到的文本信息输出至系统文档中，如csv文件等。在下一次的文章中将会尝试去获取对应酒店详情页的信息（评论，地址，房间种类以及价格等），并且储存在文件中。
博主前几天刚接触爬虫，专业是高分子化学，如果写的有疏漏还望大家海涵。在学习的过程中发现网上讲爬虫主要讲爬取静态网页，在学习爬取动态网页的过程中碰了不少壁，希望分享分析的过程给大家。具体函数怎么使用方面网上写的很多就不多阐述了。
欢迎大家在下方留言和提建议！
网友评论