當(dāng)我剛接觸 Python 時，我已經(jīng)被 Python 深深所吸引。Python 吸引我的地方不僅僅能用其編寫網(wǎng)絡(luò)爬蟲，而且能用于數(shù)據(jù)分析。我能將大量的數(shù)據(jù)中以圖形化方式呈現(xiàn)出來，更加直觀的解讀數(shù)據(jù)。

數(shù)據(jù)分析的前提是有數(shù)據(jù)可分析。如果沒有數(shù)據(jù)怎么辦?一是可以去一些數(shù)據(jù)網(wǎng)站下載相關(guān)的數(shù)據(jù)，不過數(shù)據(jù)內(nèi)容可能不是自己想要的。二是自己爬取一些網(wǎng)站數(shù)據(jù)。

今天，我就爬取全國各地所有的必勝客餐廳信息，以便后續(xù)做數(shù)據(jù)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(shù)據(jù)內(nèi)容有城市、餐廳名字、餐廳地址以及餐廳聯(lián)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(jīng)緯度。因此，餐廳的經(jīng)緯度也是我們需要爬取的數(shù)據(jù)。

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(jié)構(gòu)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(fā)者工具對頁面結(jié)構(gòu)進行簡單分析。

我們在 StoreList 頁面中能找到我們所需的數(shù)據(jù)。這個能確定數(shù)據(jù)提取的 Xpath 語法。

StoreList 頁面的 Response 內(nèi)容比較長。我們先不著急關(guān)閉頁面，往下看看，找找看是否有其他可利用的內(nèi)容。***，我們找到調(diào)用獲取餐廳列表信息的 JavaScript 函數(shù)代碼。

我們接著搜索下GetStoreList函數(shù)，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(shù)據(jù)。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(shù) pageIndex 和 pageSize。

03爬取思路

經(jīng)過一番頁面結(jié)構(gòu)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(shù)，構(gòu)建 HTTP 請求訪問必勝客服務(wù)器來獲取當(dāng)前城市中所有餐廳數(shù)據(jù)。

為了方便數(shù)據(jù)爬取，我將所有城市全部寫入到 cities.txt 中。等要爬取數(shù)據(jù)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(wǎng)，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(shù)據(jù)。

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(fā)現(xiàn)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(wǎng)站根據(jù)我們的 IP 地址來設(shè)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(xiàn)

***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(shù)，構(gòu)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(wù)器。***再對返回頁面數(shù)據(jù)進行提取。

def get_stores(city, count): 
    """ 根據(jù)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(shè)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(nèi)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(shù)據(jù)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(jié)果

程序運行完之后, 就會在當(dāng)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(guān)于作者：極客猴，熱衷于 Python，目前擅長利用 Python 制作網(wǎng)絡(luò)爬蟲以及 Django 框架。