北京汉传佛寺游人评价数据的抓取与分析（1）

之前写好的部分明明已经保存了的，为啥就不见了呢mdzz!

要求：

运用Python语言编写网络爬虫获取游客评论数据，借助自然语言处理（NLP）领域中的研究方法挖掘当今人们对寺庙园林的态度和观点，并寻找有趣的可视化方式呈现结果

想法：

1. 抓取寺院粗略信息吗，放入list
2. 经过比较 蚂蜂窝，去哪，携程，大众点评 后发现，蚂蜂窝的数据清洗难度较低
3. 从抓取的寺院中筛选出汉传佛寺放入list
4. 蚂蜂窝好像采取了一定的反爬取措施，遂使用selenium+PhantomJS模拟浏览器的行为
5. 再使用bs4解析上一步抓取到的html文档
6. 此处考虑使用多进程的进行抓取
7. 将bs4解析出来的数据放入MongoDB中

#coding=utf-8from selenium import webdriverimport timedef get_temple_page_source():    driver = webdriver.PhantomJS()    url = 'http://www.mafengwo.cn/mdd/map/10065.html'    driver.get(url)    time.sleep(1)    driver.find_element_by_css_selector('a[data-channel="search"]').click()    time.sleep(1)    driver.find_element_by_css_selector('div.input_wrapper>input').clear()    driver.find_element_by_css_selector('div.input_wrapper>input').send_keys('寺')    time.sleep(1)    driver.find_element_by_css_selector('div.input_wrapper>span').click()    time.sleep(3)    #reponse_html_page = driver.page_source    #style="overflow: auto; height: 576px;"    #reponse_html_page = driver.find_element_by_css_selector('div.list>ul').text    # print(type(reponse_html_page))    #print(driver.page_source)    pageSource_list = []    pageSource_list.append(driver.page_source)    for i in range(4):        driver.find_element_by_css_selector('div.m-pagination>a.pg-next').click()        time.sleep(3)        #print(driver.page_source)        pageSource_list.append(driver.page_source)    return pageSource_listif __name__ == "__main__":    get_temple_page_source()

经分析得知，在第五页之前的寺院有一定的评论量，第五页之后的寺院评论量几乎为0，无抓取价值，遂舍弃

尝试抓取的过程中出现的一些状况

本应该是这样的

加上sleep()，让spider睡一会就好了

初步抓取结果

使用bs4处理html文档并放入MongoDB的小测试：

Pycharm的一个快捷键： shift+tab，将所选的代码块整体反向缩进

对搜索结果页面进行抓取的时候发生了字符编码错误：

#coding=utf-8from bs4 import BeautifulSoupimport pymongoimport requestsfrom urllib import parseimport pprintimport randomdef get_temple_detail_url(search_key_word):    #temple_detail = TempleSpider['temple_detail']    #http://www.mafengwo.cn/search/s.php?q=%E6%BD%AD%E6%9F%98%E5%AF%BA    search_url = 'http://www.mafengwo.cn/search/s.php?q={}'.format(parse.quote(search_key_word, encoding='utf-8'))    search_response = requests.get(search_url)    bsObj = BeautifulSoup(search_response.text, 'lxml')    print(bsObj)    for i in bsObj.select_one('div[data-category="poi"]').find_all("div", class_="clearfix"):        if '景点' in i.find("h3").get_text() and '北京' in i.find_all("li")[0].find("a").get_text():            temple_detail_url = i.find("h3").find("a").get("href")            data = {                'temple_name': search_key_word,                'temple_url': temple_detail_url            }            #print(data)            #temple_detail.insert_one(data)if __name__ == "__main__":    get_temple_detail_url('潭柘寺')

解决方式如下：

详情参考：requests和BeautifulSoup中文编码转换心得
看样子应该是requests的编码方式出现了问题