100行代碼爬取全國所有必勝客餐廳信息
當我剛接觸 Python 時，我已經被 Python 深深所吸引。Python 吸引我的地方不僅僅能用其編寫網絡爬蟲，而且能用于數據分析。我能將大量的數據中以圖形化方式呈現出來，更加直觀的解讀數據。
數據分析的前提是有數據可分析。如果沒有數據怎么辦?一是可以去一些數據網站下載相關的數據，不過數據內容可能不是自己想要的。二是自己爬取一些網站數據。
今天，我就爬取全國各地所有的必勝客餐廳信息，以便后續做數據分析。
01抓取目標
我們要爬取的目標是必勝客中國。打開必勝客中國首頁，進入“餐廳查詢”頁面。
我們要爬取的數據內容有城市、餐廳名字、餐廳地址以及餐廳聯系電話。因為我看到頁面中有地圖，所以頁面一定有餐廳地址的經緯度。因此，餐廳的經緯度也是我們需要爬取的數據。
至于全國有必勝客餐廳的城市列表，我們可以通過頁面的“切換城市”獲取。
02分析目頁面
在編寫爬蟲程序之前，我都是先對頁面進行簡單分析，然后指定爬取思路。而且對頁面結構進行分析往往會有一些意想不到的收獲。
我們使用瀏覽器的開發者工具對頁面結構進行簡單分析。
我們在 StoreList 頁面中能找到我們所需的數據。這個能確定數據提取的 Xpath 語法。
StoreList 頁面的 Response 內容比較長。我們先不著急關閉頁面，往下看看，找找看是否有其他可利用的內容。***，我們找到調用獲取餐廳列表信息的 JavaScript 函數代碼。
我們接著搜索下GetStoreList函數，看看瀏覽器如何獲取餐廳列表信息的。
從代碼中，我們可以了解到頁面使用 Ajax 方式來獲取數據。頁面以 POST 方式請求地址http://www.pizzahut.com.cn/StoreList/Index。同時，請求還攜帶參數 pageIndex 和 pageSize。
03爬取思路
經過一番頁面結構分析之后，我們指定爬取思路。首先，我們先獲取城市信息。然后將其作為參數，構建 HTTP 請求訪問必勝客服務器來獲取當前城市中所有餐廳數據。
為了方便數據爬取，我將所有城市全部寫入到 cities.txt 中。等要爬取數據時，我們再從文件中讀取城市信息。
爬取思路看起來沒有錯，但是還是有個難題沒有搞定。我們每次打開必勝客的官網，頁面每次都會自動定位到我們所在的城市。如果無法破解城市定位問題，我們只能抓取一個城市數據。
于是乎，我們再次瀏覽首頁，看看能不能找到一些可用的信息。最終，我們發現頁面的 cookies 中有個 iplocation 字段。我將其進行 Url 解碼，得到 深圳|0|0 這樣的信息。
看到這信息，我恍然大悟。原來必勝客網站根據我們的 IP 地址來設置初始城市信息。如果我們能偽造出 iplocation 字段信息，那就可以隨便修改城市了。
04代碼實現
***步是從文件中讀取城市信息。
- # 全國有必勝客餐廳的城市, 我將城市放到文件中, 一共 380 個城市
- cities = []
- def get_cities():
- """ 從文件中獲取城市 """ file_name = 'cities.txt'
- with open(file_name, 'r', encoding='UTF-8-sig') as file:
- for line in file:
- city = line.replace('
- ', '')
- cities.append(city)
第二步是依次遍歷 cities 列表，將每個城市作為參數，構造 Cookies 的 iplocation 字段。
- # 依次遍歷所有城市的餐廳
- for city in cities:
- restaurants = get_stores(city, count)
- results[city] = restaurants
- count += 1
- time.sleep(2)
然后，我們再以 POST 方式攜帶 Cookie 去請求必勝客服務器。***再對返回頁面數據進行提取。
- def get_stores(city, count):
- """ 根據城市獲取餐廳信息 """
- session = requests.Session()
- # 對【城市|0|0】進行 Url 編碼
- city_urlencode = quote(city + '|0|0')
- # 用來存儲首頁的 cookies
- cookies = requests.cookies.RequestsCookieJar()
- headers = {
- 'User-agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.3964.2 Safari/537.36',
- 'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
- 'Host': 'www.pizzahut.com.cn',
- 'Cache-Control': 'max-age=0',
- 'Connection': 'keep-alive',
- }
- print('============第', count, '個城市:', city, '============')
- resp_from_index = session.get('http://www.pizzahut.com.cn/', headers=headers)
- # print(resp_from_index.cookies)
- # 然后將原來 cookies 的 iplocation 字段，設置自己想要抓取城市。
- cookies.set('AlteonP', resp_from_index.cookies['AlteonP'], domain='www.pizzahut.com.cn')
- cookies.set('iplocation', city_urlencode, domain='www.pizzahut.com.cn')
- # print(cookies)
- page = 1
- restaurants = []
- while True:
- data = {
- 'pageIndex': page,
- 'pageSize': "50",
- }
- response = session.post('http://www.pizzahut.com.cn/StoreList/Index', headers=headers, data=data, cookies=cookies)
- html = etree.HTML(response.text)
- # 獲取餐廳列表所在的 div 標簽
- divs = html.xpath("//div[@class='re_RNew']")
- temp_items = []
- for div in divs:
- item = {}
- content = div.xpath('./@onclick')[0]
- # ClickStore('22.538912,114.09803|城市廣場|深南中路中信城市廣場二樓|0755-25942012','GZH519')
- # 過濾掉括號和后面的內容
- content = content.split('('')[1].split(')')[0].split('','')[0]
- if len(content.split('|')) == 4:
- item['coordinate'] = content.split('|')[0]
- item['restaurant_name'] = content.split('|')[1] + '餐廳'
- item['address'] = content.split('|')[2]
- item['phone'] = content.split('|')[3]
- else:
- item['restaurant_name'] = content.split('|')[0] + '餐廳'
- item['address'] = content.split('|')[1]
- item['phone'] = content.split('|')[2]
- print(item)
- temp_items.append(item)
- if not temp_items:
- break
- restaurants += temp_items
- page += 1
- time.sleep(5)
- return restaurants
第三步是將城市以及城市所有餐廳信息等數據寫到 Json 文件中。
- with open('results.json', 'w', encoding='UTF-8') as file:
- file.write(json.dumps(results, indent=4, ensure_ascii=False))
05爬取結果
程序運行完之后, 就會在當前目錄下生成一個名為「results.json」文件。完整代碼請見GitHub：
https://github.com/monkey-soft/SchweizerMesser/tree/master/Pizzahut
關于作者：極客猴，熱衷于 Python，目前擅長利用 Python 制作網絡爬蟲以及 Django 框架。
