【大数据技术与开发实训】携程景点在线评论分析
景点在线评论分析
- 题目要求
- 实验目标
- 技术实现
- 数据采集
- 获取所有相关景点页面的 URL
- 获取所有相关景点对应的 poiId 及其他有用信息
- 通过 poiId 获取所有景点的全部评论
- 数据采集结果
- 数据预处理
- 景点信息的数据预处理
- 查看数据基本信息
- 缺失值处理
- 用户评论的数据处理
- 缺失值处理
- 分词、去除停用词
- 数据挖掘
- 情感得分-朴素贝叶斯模型
- 主题词分析-LDA 主题模型
- 可视化分析
- 词云图-用户评论词频统计分析
- 饼图-用户评论情绪分布
- 雷达图-景区评分分布
- 柱状图-不同游客类型的分布情况
- 箱线图-景区不同评分均值分布
- 小提琴图-不同地区的评分分布情况
- 折线图-使用线性回归分析用户评论因素
- 总结
- 完整代码
- 爬取携程景区评论
题目要求
综合使用本课程介绍的方法设计Python程序，通过旅游网站采集数据，挖掘分析指定景点的在线评论，以ctrip.com为例，
要求：
- 通过ctrip.com网站搜索景点入口，访问景点目的地攻略
- 景点搜索关键词自选，例如兵马俑、故宫、迪士尼等，每个小组选择不同的关键词
- 数据采集：通过浏览器和开发者工具分析和选择爬虫采集程序的参数和参数值，编写爬虫程序采集用户评论；
- 数据处理：对采集到的数据进行必要的预处理，例如抽取用户评论数据、中文分词、词频统计等；
- 数据挖掘及可视化呈现：对用户评论进行主题词分析，将分析结果通过可视化方法进行呈现，并进行分析说明。
实验目标
- 数据采集：通过爬虫获取在线评论数据。
- 数据预处理：清洗数据并提取关键信息。
- 情感分析：使用朴素贝叶斯模型分析评论情感倾向。
- 主题挖掘：应用LDA模型识别游客关注的主要话题。
- 可视化呈现：通过词云图、饼图等方式展示分析结果。
技术实现
数据采集
利用爬虫程序，通过分析POST请求获取景点相关评论及评分数据。例如，通过API接口获取迪士尼景点评论。
获取所有相关景点页面的 URL
输入关键词《迪士尼》，以获取所有相关景点页面的 URL。通过浏览器和开发者工具的分析，我们发现所有景点信息均可通过以下链接获取：https://m.ctrip.com/restapi/soa2/20591/getGsOnlineResult。该信息通过 POST 请求获取，传入的关键参数包括：keyword= 迪士尼和 pageIndex（用于换页）。
def get_scenery_url(keyword, start_page=1):
"""
获取指定关键词下的所有景点信息
参数:
keyword (str): 搜索的关键词（例如 "迪士尼"）
start_page : 设置初始的页数索引
返回:
list: 包含景点信息的列表，每个元素为字典，包含景点的名称、链接、地区、评分等信息
"""
# 基础 URL，不包含 x-traceID 参数 也可以不要?_fxpcqlniredt=09031014214564332507&x-traceID=
base_url = 'https://m.ctrip.com/restapi/soa2/20591/getGsOnlineResult?_fxpcqlniredt=09031014214564332507'
has_more_data = True # 用于控制循环是否继续
all_items = [] # 存储所有的景点信息
page_index = start_page
while has_more_data:
# 生成新的 x-traceID，每次请求都不同
timestamp = int(time.time() * 1000)
random_number = random.randint(1000000, 9999999)
x_traceID = f'09031014214564332507-{timestamp}-{random_number}'
url = f'{base_url}&x-traceID={x_traceID}'
data = {
"keyword": keyword,
"pageIndex": page_index,
"pageSize": 12,
"tab": "sight",
"sourceFrom": "",
"profile": "false",
"head": {
"cid": "09031014214564332507",
"ctok": "",
"cver": "1.0",
"lang": "01",
"sid": "8888",
"syscode": "09",
"auth": "",
"xsid": "",
"extension": []
}
}
# 发送 POST 请求并获得响应
response = requests.post(url, data=data, headers=headers)
if response.status_code == 200:
data = response.json()
items = data.get("items", [])
# 如果没有更多数据，停止循环
if not items:
# print("没有更多数据，结束爬取。")
has_more_data = False
break
for item in items:
item_url = item.get('url', None) # 链接
districtName = item.get('districtName', None) # 地区
scenery_info = {
"链接": item_url,
"地区": districtName,
}
all_items.append(scenery_info)
# 增加页数索引，继续爬取下一页
page_index += 1
else:
print(f"请求失败，状态码: {response.status_code}")
has_more_data = False #
time.sleep(random.uniform(1, 3)) # 随机延时1到3秒
print(f"总共获取到{page_index - start_page}页 {len(all_items)}个《{keyword}》景区信息。\n")
return all_items
获取所有相关景点对应的 poiId 及其他有用信息
在获取所有迪士尼景点页面的 URL 后，我们分析发现，所有景点的评论数据均可通过链接 https://m.ctrip.com/restapi/soa2/13444/json/getCommentCollapseLis获取。不同地区的评论则由 poiId 控制，因此我们需要找出所有地区对应的 poiId。
通过浏览器和开发者工具的搜索功能，我们能够定位到 poiId 的位置，该信息嵌套在 script 标签中的 JavaScript 代码里。由于字段嵌套较多，我们通过正则表达式匹配直接提取出 poiId 的值。同时，我们还获取了其他有用的详细信息，包括景区名称、地区、详细地址、热度、评分、poiId 及 URL。
def get_poiId(soup):
"""
获取当前景区的 poiId。
poiId 是评论区换页请求的关键参数，用于获取更多评论。
参数:
soup (BeautifulSoup): 解析后的页面内容。
返回:
str: 返回景区的 poiId。
"""
# 查找所有的脚本标签
scripts = soup.find_all('script')
# 通过遍历脚本内容，使用正则表达式查找包含 poiId 的内容
for script in scripts:
if 'poiId' in script.text:
# 正则表达式匹配 poiId
poi_id = re.search(r'\"poiId\":(\d+)', script.text)
if poi_id:
# 返回提取到的 poiId
return poi_id.group(1)
def get_scenery_info(scenery_data):
"""
获取景区url下的基础信息，包括景区名称、热度、评分及poiId。
参数:
scenic_data: 所有景区主页对应的url列表。
返回:
list: 包含每个景区信息的字典列表。
"""
all_scenery_info = [] # 用于存储所有景区信息的列表
for item in scenery_data:
try:
# 获取景区的 URL
url = item.get("链接")
if not url:
print(f"无效的链接，跳过此项：{item}")
continue # 如果链接为空，跳过此项
response = requests.get(url, headers=headers) # 设置超时
response.encoding = 'utf-8' # 设置正确的编码格式
soup = BeautifulSoup(response.text, 'html.parser')
# 提取景区名称、热度、评分和poiId
district_name = soup.find('span', class_='districtName').get_text(strip=True) if soup.find('span',class_='districtName') else None
heat_score = soup.find('div',class_='heatScoreText').get_text(strip=True) if soup.find('div', class_='heatScoreText') else None
comment_score = soup.find('p', class_='commentScoreNum').get_text(strip=True) if soup.find('p',class_='commentScoreNum') else None
baseInfoText = soup.find('p',class_='baseInfoText').get_text(strip=True) if soup.find('p',class_='baseInfoText') else None
poi_id = get_poiId(soup) # 获取当前景区的 poiId
scenery_info = {
"景区名称": district_name,
"地区": item.get("地区"),
'详细地址': baseInfoText,
"热度": heat_score,
"评分": comment_score,
"poiId": poi_id,
"链接": url
}
# 打印景区信息（可选）
print(f"景区名字: {district_name}")
print(f"地区: {item.get('地区')}")
print(f"详细地址: {baseInfoText}")
print(f"热度: {heat_score}")
print(f"评分: {comment_score}")
print(f"景区对应的 poiId: {poi_id}")
print(f"链接: {url}")
print("---------------------------")
all_scenery_info.append(scenery_info)
except requests.exceptions.RequestException as e:
print(f"请求失败，跳过此URL：{item.get('链接')}，错误：{e}")
continue
time.sleep(random.uniform(1,3)) # 随机延时1到3秒
return all_scenery_info # 返回包含所有景区信息的列表
通过 poiId 获取所有景点的全部评论
在前面提到，所有景点的评论数据可通过链接 https://m.ctrip.com/restapi/soa2/13444/json/getCommentCollapseLis 获取，其关键参数含义如图所示。我们可以通过requests.post()
获取相应的数据，具体信息包括用户昵称、会员等级、评论 ID、评分、发布时间、用户位置、评论来源、游客类型、景色评分、趣味评分、性价比评分及评论内容。
def get_all_review(scenerys, directory, start_page=1):
"""
获取指定景区的全部评论并保存到CSV文件。
参数:
scenerys (list): 包含景区信息的字典列表，每个字典包括景区的名称、poiId等信息。
start_page (int): 开始的页数索引，默认值为300。
返回:
None
"""
for scenery in scenerys:
try:
# 从景区字典中提取景区名字和poiId
district_name = scenery.get("景区名称")
poiId = scenery.get("poiId") # 获取景区的poiId，用于请求评论数据
# 调用get_review_data函数，获取当前景区的评论数据
print(f"当前景区：{district_name}")
content_list = get_review_data(poiId, start_page=start_page)
# 替换非法字符以构建合法的文件名
name = re.sub(r'[\/:*?"<>|]', '', district_name)
save_to_csv(content_list, directory + '/评论数据', name + '.csv')
print(f"已保存 {district_name} 的评论数据.")
except requests.exceptions.RequestException as e:
# 捕获请求异常并输出错误信息，跳过当前景区
print(f"请求失败，跳过此景区：{scenery.get('景区名称')}，错误：{e}")
continue
# 为了防止爬虫请求过于频繁，随机延时1到2秒
time.sleep(random.uniform(1, 2))
def get_review_data(poiId, start_page=1):
"""
爬取指定景区的评论数据。
:param poiId: 景区对应的ID
:return: 返回爬取的评论数据列表
"""
# 设置请求的基础URL
url = f'https://m.ctrip.com/restapi/soa2/13444/json/getCommentCollapseList?_fxpcqlniredt=09031014214564332507'
content_list = [] # 用于存储爬取的评论数据
page_index = start_page # 开始的页数索引
has_more_data = True # 用于控制循环是否继续
while has_more_data:
# 构造POST请求的数据体
data = {
"arg": {
"channelType": 2,
"collapseType": 0,
"commentTagId": 0, # 全部0 差评-12 好评-11
"pageIndex": page_index,
"pageSize": 10,
"poiId": poiId,
"sourceType": 1,
"sortType": 1, # 排序方式 时间排序1 智能排序3
"starType": 0
},
"head": {
"cid": "09031014214564332507",
"ctok": "",
"cver": "1.0",
"lang": "01",
"sid": "8888",
"syscode": "09",
"auth": "",
"xsid": "",
"extension": []
}
}
try:
# 生成唯一的 x-traceID，用于每次请求
timestamp = int(time.time() * 1000)
random_number = random.randint(1000000, 9999999)
x_traceID = f'09031014214564332507-{timestamp}-{random_number}'
# 构建完整的 URL，包括动态生成的 x-traceID
request_url = f'{url}&x-traceID={x_traceID}'
response = requests.post(request_url, data=json.dumps(data), headers=headers)
# 如果请求成
if response.status_code == 200:
data = response.json()
# 检查请求是否成功返回数据
if data.get("ResponseStatus", {}).get("Ack") == "Success":
items = data.get("result", {}).get("items", [])
# 如果没有更多数据，则停止爬取
if not items:
has_more_data = False
# print("当前景区没有更多评论数据，爬取结束。")
break
# 处理每条评论数据
for item in items:
# 提取用户信息，先检查userInfo是否存在
user_info = item.get("userInfo", {})
if user_info is None:
user_info = {} #用户信息userInfo =null的情况 可能是用户注销账号了
userNick = user_info.get("userNick", "匿名用户") # 用户昵称
userMember = user_info.get("userMember", "普通用户") # 用户会员等级
commentId = item.get("commentId", None) # 评论ID
score = item.get("score", None) # 用户评分
content = item.get("content", None) # 评论内容
# 提取评论发布时间
publishTypeTag = item.get("publishTypeTag", None)
publishTime = re.search(r"\d{4}-\d{2}-\d{2}", publishTypeTag).group(
0) if publishTypeTag else None
# 用户的IP所在地和评论来源类型
ipLocatedName = item.get("ipLocatedName", None) # 用户所在位置
fromType = item.get("fromTypeText", None) # 评论来源类型
touristTypeDisplay = item.get("touristTypeDisplay", None) # 游客类型显示
# 获取各类评分信息（如景色、趣味、性价比）
scores = item.get("scores", [])
scenic_score = next((s['score'] for s in scores if s['name'] == '景色'), None)
fun_score = next((s['score'] for s in scores if s['name'] == '趣味'), None)
cost_performance_score = next((s['score'] for s in scores if s['name'] == '性价比'), None)
content_item = {
"用户昵称": userNick,
"用户会员等级": userMember,
"评论ID": commentId,
"评分": score,
"发布时间": publishTime,
"用户所在位置": ipLocatedName,
"评论来源类型": fromType,
"游客类型显示": touristTypeDisplay,
"景色评分": scenic_score,
"趣味评分": fun_score,
"性价比评分": cost_performance_score,
"评论内容": content
}
content_list.append(content_item)
print(f"{content_item}")
if page_index % 100==0:
print(f"爬取第 {page_index} 页、{len(content_list)} 条评论数据。")
# 页数自增，继续爬取下一页
page_index += 1
else:
# 如果请求失败，打印错误信息
errors = data.get("ResponseStatus", {}).get("Errors", [])
for error in errors:
print(f"错误信息: {error.get('Message')}, 错误代码: {error.get('ErrorCode')}")
has_more_data = False
else:
print(f"请求失败，状态码: {response.status_code}")
has_more_data = False # 停止爬取
# 为了防止被封禁，随机停顿 1 到 3 秒之间
time.sleep(random.uniform(1, 3))
except AttributeError as e:
print(f"遇到错误: {e}. 重新发送请求...")
time.sleep(5)
continue
# 显示统计结果
display_rating_stats(content_list, page_index - start_page)
return content_list
数据采集结果
通过上述编程，我们获取了所有景点和用户评论的相关信息。具体字段见下表。
数据预处理
景点信息的数据预处理
使用 pandas 读取 CSV 文件，将爬取的数据加载到 DataFrame 中。
查看数据基本信息
检查数据的结构、列名及数据类型，查看是否有缺失值或异常值。
数据集中有 298 条记录，即共获取 298 个与迪士尼相关的景区信息。其中热度列缺失 47 个值，评分列缺失 82 个值，其余列均完整。
缺失值处理
为了更加合理，我们采用同一个景区所有用户评论的评分取平均值用来填充该景区评分缺失值。
用户评论的数据处理
缺失值处理
通过 df.isnull().sum() 统计各景区用户评论的缺失值时，发现数值型字段中总评分、景色评分、趣味评分、性价比评分、发布时间和用户会员等级这几列存在缺失值。针对这四个评分类字段，我们将采用均值填充；对于发布时间，则使用前一个评论的时间进行填充；而用户会员等级将统一填充为“普通用户”。空内容替换为" 无"。
分词、去除停用词
分词和去除停用词是中文文本处理中不可或缺的步骤，尤其是在自然语言处理任务中，例如情感分析、主题提取等。由于中文文本不像英文文本那样单词之间有空格分隔，因此我们需要首先对文本进行分词处理，将句子划分为有意义的词语。与此同时，某些词语（如“的”、“了”、“在”等）虽然在句子中出现频繁，但对文本的实际语义贡献较小，因此需要在后续的分析中将这些词语去除。通过分词和去除停用词，文本变得更加简洁、具有分析价值，从而有助于提升后续任务的精度。
在具体实现过程中，首先使用jieba库进行分词处理，将连续的文本切分为一个个独立的词语。接着，通过加载 百度停用词表，将分词结果与停用词表中的词语进行比对，去除停用词中的词语。去除停用词后，剩下的词语将更好地反映文本的核心内容，便于进一步的情感分析和主题提取。
# 停用词加载
def load_stop_words(stop_words_path):
with open(stop_words_path, 'r', encoding='utf-8') as f:
stop_words = set(f.read().splitlines())
return stop_words
# 文本预处理
def preprocess_text(text, stop_words):
# 分词
words = jieba.cut(text)
# 去除停用词
filtered_words = [word for word in words if word not in stop_words and len(word) > 1]
# 如果去掉停用词后为空，则保留原始文本
if len(filtered_words) == 0:
return text # 如果所有词都被去掉，保留原始文本
return ' '.join(filtered_words)
数据挖掘
情感得分-朴素贝叶斯模型
主题词分析-LDA 主题模型
可视化分析
词云图-用户评论词频统计分析
针对景区评论数据进行了词频统计分析，并通过WordCloud词云图的形式展示结果,直观地揭示游客对于各个景区的主要评价、情感表达以及关注点。通过词云图，我们可以快速捕捉到高频关键词，帮助进一步理解用户对景区的感受。为了分析游客对不同迪士尼乐园的评论，本文基于游客在各景区的分词评论数据统计绘制词云图是基于这些高频词生成的，其中词语的大小与其在评论中出现的频率成正比。字体越大，表明该词在评论中出现的频率越高。
从词云图中可以看出，游客对景区的评价以“迪士尼”、“乐园”、“好玩”、“环境”、“适合孩子”等词为主，表明迪士尼乐园的主题游乐设施、家庭友好型环境及整体娱乐体验深受游客的喜爱。同时，“性价比”、“设施”、“表演”这些词也频繁出现，显示出游客在体验过程中，对价格、景区的硬件设施以及现场表演有较多的关注。
饼图-用户评论情绪分布
通过前面计算用户评论的情感得分，将用户的情绪分为上述三种情感类别。然后根据不同情感类别的评论数量，计算每个类别在总评论中的比例，绘制饼图。主要分为三个类别：
- Positive（正面）：指用户对景区或产品的正面评价，情感得分大于
- 0.7； Neutral（中性）：指用户的评价中性，情感得分介于
- 0.3 和 0.7 之间； Negative（负面）：指用户对景区或产品的负面评价，情感得分小于 0.3。
从图 中可以看出，\textbf{用户评论情感分布主要以正面情绪为主}，占比 79.97%，表明大多数用户对该景区或产品持有积极评价，整体用户体验较好。中性情绪占比 11.30%，说明部分用户对体验持中立态度，感受一般。负面情绪占比仅为 8.73%，反映了少数用户的负面评价，这提示景区或产品还存在改进空间。总体而言，用户满意度较高，但需要进一步关注负面评价来源，以提升整体用户体验并改善中性评论的部分。
雷达图-景区评分分布
为了全面分析各景区的用户评分情况，我们对所有景区的用户评论进行了统计和分析。首先，对每个景区的评分分布进行统计，评分范围为1到5。接着，计算每个景区的总评分数量，并选择评分总和最高的前5个景区进行对比分析。通过绘制雷达图，我们可以清晰地看出各个评分在这些景区的分布情况。
从图 中可以看出，评分5的比例在大多数景区中占据主要部分，这表明用户的整体满意度较高。评分4的比例次之，也反映了部分用户对景区存在一定的改进期望。评分1、2和3的比例相对较低，显示出负面评价和中等评价的数量较少。
柱状图-不同游客类型的分布情况
为了更好地了解各类游客在不同景区的分布情况，我们对景区的游客类型进行了统计分析。游客类型数据来自各个景区的评论记录，包含了游客的分类标签，如家庭亲子、朋友出游、情侣夫妻等。
通过每个景区的评论数据中提取“游客类型显示”列，使用 value_counts() 统计并累加所有景区的游客类型数量，最后通过柱状图直观展示不同游客类型的整体分布情况。
从图 可以看出，游客类型分布差异显著，其中家庭亲子游客占比最高，约80%，表明迪士尼乐园对亲子游的吸引力最大；朋友出游占25%，显示年轻人和朋友群体也偏好迪士尼。情侣夫妻的比例相对较少，占15%，但依然是重要的游客群体。单独旅行和商务出差游客类型占比较低，分别为5%和2%，说明大多数游客是以家庭或朋友为单位进行娱乐休闲，而独自或商务旅行的游客相对较少。
箱线图-景区不同评分均值分布
为了全面了解各景区在不同评分维度上的表现，我们随机选取了5个景区，并分别计算了它们在“景色评分”、“趣味评分”和“性价比评分”三个维度上的平均分。数据来自游客的评论反馈，通过多条柱状图可以直观地对比各个景区在这三项评分上的表现差异。每个评分维度反映了游客对景区不同方面的体验：景色评分代表景区的视觉吸引力，趣味评分代表娱乐性和活动安排，性价比评分则反映了游客对整体体验的满意度与价格的匹配度。
从图 中可以看出，不同景区在各评分维度上的均值存在差异。例如，某些景区在景色评分上表现突出，但趣味评分和性价比评分相对较低；而另一些景区在性价比评分上表现良好，但景色评分和趣味评分则相对较低。这种评分均值的对比有助于发现各景区的优势与不足，从而为后续的景区运营和改进策略提供参考依据。
小提琴图-不同地区的评分分布情况
为了分析不同地区的景区评分差异，我们使用了小提琴图来展示各地区的评分分布情况。小提琴图结合了箱线图和密度图的优点，既展示了评分的四分位数，也通过对称的密度曲线直观地展示了评分的分布形态。在图 中，我们可以清楚地看到各个地区评分的集中趋势和分布范围。
通过对数据的分析发现，大部分地区的评分集中在 4-5 分 之间，显示出游客对这些景区的总体满意度较高。然而，部分地区（如台北、洛杉矶）的评分分布较为分散，存在较大的波动，暗示这些地区可能存在服务不一致或管理问题，导致一些游客给出了较低的评分。大多数地区的中位数评分在 4.5 分 左右，进一步表明整体评分较高。此外，个别地区出现的异常低评分（如 1 分）可能与特定时段的服务质量或体验相关，建议深入分析这些评论以找出具体问题。
折线图-使用线性回归分析用户评论因素
为了分析用户评论中各个因素对最终评分的影响，我们采用了线性回归模型。通过回归分析，我们能够量化每个因素对评分的影响大小，即回归系数的大小。
从图的折线图中可以看出，景色评分是影响用户最终评分的最重要因素，回归系数为0.7，表明景色得分越高，用户的总体评分也越高。相较之下，趣味评分的回归系数接近于0，对评分的影响较小，性价比评分虽然回归系数较小，但仍对用户评价有一定作用。因此，提升用户评分的关键在于景区景观的优化，而趣味性和性价比的适当改进也能进一步提高用户的满意度
总结
本实验通过对旅游网站上用户评论的系统分析，成功实现了对景区的用户满意度及影响因素的量化评估。实验采用了数据采集、数据预处理、情感分析、主题分析等方法，并使用线性回归模型评估了不同评论因素对用户评分的影响。实验结果表明，景色评分是影响用户最终评分的最重要因素，趣味评分和性价比评分的影响较小。通过情感分析，我们发现大部分用户对景区的整体评价是正面的，但仍存在一些改进空间。主题分析帮助识别出用户关注的主要问题，如排队时间和景区项目安排。通过可视化分析，直观地展示了用户的反馈与评分趋势，为景区管理方提供了有针对性的改进建议。
完整代码
完整代码可通过https://download.csdn.net/download/weixin_66397563/90029507下载
爬取携程景区评论
import json
import os
import random
import re
import time
import pandas as pd
import requests
from bs4 import BeautifulSoup
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.7 Safari/537.36'
}
def get_all_review(scenerys, directory, start_page=1):
"""
获取指定景区的全部评论并保存到CSV文件。
参数:
scenerys (list): 包含景区信息的字典列表，每个字典包括景区的名称、poiId等信息。
start_page (int): 开始的页数索引，默认值为300。
返回:
None
"""
for scenery in scenerys:
try:
# 从景区字典中提取景区名字和poiId
district_name = scenery.get("景区名称")
poiId = scenery.get("poiId") # 获取景区的poiId，用于请求评论数据
# 调用get_review_data函数，获取当前景区的评论数据
print(f"当前景区：{district_name}")
content_list = get_review_data(poiId, start_page=start_page)
# 替换非法字符以构建合法的文件名
name = re.sub(r'[\/:*?"<>|]', '', district_name)
save_to_csv(content_list, directory + '/评论数据', name + '.csv')
print(f"已保存 {district_name} 的评论数据.")
except requests.exceptions.RequestException as e:
# 捕获请求异常并输出错误信息，跳过当前景区
print(f"请求失败，跳过此景区：{scenery.get('景区名称')}，错误：{e}")
continue
# 为了防止爬虫请求过于频繁，随机延时1到2秒
time.sleep(random.uniform(1, 2))
def get_review_data(poiId, start_page=1):
"""
爬取指定景区的评论数据。
:param poiId: 景区对应的ID
:return: 返回爬取的评论数据列表
"""
# 设置请求的基础URL
url = f'https://m.ctrip.com/restapi/soa2/13444/json/getCommentCollapseList?_fxpcqlniredt=09031014214564332507'
content_list = [] # 用于存储爬取的评论数据
page_index = start_page # 开始的页数索引
has_more_data = True # 用于控制循环是否继续
while has_more_data:
# 构造POST请求的数据体
data = {
"arg": {
"channelType": 2,
"collapseType": 0,
"commentTagId": 0, # 全部0 差评-12 好评-11
"pageIndex": page_index,
"pageSize": 10,
"poiId": poiId,
"sourceType": 1,
"sortType": 1, # 排序方式 时间排序1 智能排序3
"starType": 0
},
"head": {
"cid": "09031014214564332507",
"ctok": "",
"cver": "1.0",
"lang": "01",
"sid": "8888",
"syscode": "09",
"auth": "",
"xsid": "",
"extension": []
}
}
try:
# 生成唯一的 x-traceID，用于每次请求
timestamp = int(time.time() * 1000)
random_number = random.randint(1000000, 9999999)
x_traceID = f'09031014214564332507-{timestamp}-{random_number}'
# 构建完整的 URL，包括动态生成的 x-traceID
request_url = f'{url}&x-traceID={x_traceID}'
response = requests.post(request_url, data=json.dumps(data), headers=headers)
# 如果请求成功
if response.status_code == 200:
data = response.json()
# 检查请求是否成功返回数据
if data.get("ResponseStatus", {}).get("Ack") == "Success":
items = data.get("result", {}).get("items", [])
# 如果没有更多数据，则停止爬取
if not items:
has_more_data = False
# print("当前景区没有更多评论数据，爬取结束。")
break
# 处理每条评论数据
for item in items:
# 提取用户信息，先检查userInfo是否存在
user_info = item.get("userInfo", {})
if user_info is None:
user_info = {} #用户信息userInfo =null的情况 可能是用户注销账号了
userNick = user_info.get("userNick", "匿名用户") # 用户昵称
userMember = user_info.get("userMember", "普通用户") # 用户会员等级
commentId = item.get("commentId", None) # 评论ID
score = item.get("score", None) # 用户评分
content = item.get("content", None) # 评论内容
# 提取评论发布时间
publishTypeTag = item.get("publishTypeTag", None)
publishTime = re.search(r"\d{4}-\d{2}-\d{2}", publishTypeTag).group(
0) if publishTypeTag else None
# 用户的IP所在地和评论来源类型
ipLocatedName = item.get("ipLocatedName", None) # 用户所在位置
fromType = item.get("fromTypeText", None) # 评论来源类型
touristTypeDisplay = item.get("touristTypeDisplay", None) # 游客类型显示
# 获取各类评分信息（如景色、趣味、性价比）
scores = item.get("scores", [])
scenic_score = next((s['score'] for s in scores if s['name'] == '景色'), None)
fun_score = next((s['score'] for s in scores if s['name'] == '趣味'), None)
cost_performance_score = next((s['score'] for s in scores if s['name'] == '性价比'), None)
content_item = {
"用户昵称": userNick,
"用户会员等级": userMember,
"评论ID": commentId,
"评分": score,
"发布时间": publishTime,
"用户所在位置": ipLocatedName,
"评论来源类型": fromType,
"游客类型显示": touristTypeDisplay,
"景色评分": scenic_score,
"趣味评分": fun_score,
"性价比评分": cost_performance_score,
"评论内容": content
}
content_list.append(content_item)
print(f"{content_item}")
# 打印已爬取的评论页数和评论数量
if page_index % 100==0:
print(f"爬取第 {page_index} 页、{len(content_list)} 条评论数据。")
# 页数自增，继续爬取下一页
page_index += 1
else:
# 如果请求失败，打印错误信息
errors = data.get("ResponseStatus", {}).get("Errors", [])
for error in errors:
print(f"错误信息: {error.get('Message')}, 错误代码: {error.get('ErrorCode')}")
has_more_data = False
else:
print(f"请求失败，状态码: {response.status_code}")
has_more_data = False # 停止爬取
# 为了防止被封禁，随机停顿 1 到 3 秒之间
time.sleep(random.uniform(1, 3))
except AttributeError as e:
print(f"遇到错误: {e}. 重新发送请求...")
time.sleep(5)
continue
# 显示统计结果
display_rating_stats(content_list, page_index - start_page)
return content_list
def display_rating_stats(content_list, page):
"""
统计并展示评论数据的评分分布。
参数:
content_list (list): 爬取到的评论数据列表。
page_index (int): 爬取的页数。
返回:
None
"""
df = pd.DataFrame(content_list)
# 检查是否有评论数据
if df.empty:
print("没有评论数据。")
return
# 统计每个评分出现的次数，并按照评分顺序排序
rating_counts = df['评分'].value_counts().sort_index()
# 输出总爬取页数及评论数量
print(f"总共爬取了 {page} 页，共 {len(content_list)} 条评论数据。分布情况如下：")
print("=" * 30)
for rating, count in rating_counts.items():
print(f"评分: {rating:.1f} 分 | 数量: {count} 条评论")
print("=" * 30)
print("\n")
def get_scenery_url(keyword, start_page=1):
"""
获取指定关键词下的所有景点信息
参数:
keyword (str): 搜索的关键词（例如 "迪士尼"）
start_page : 设置初始的页数索引
返回:
list: 包含景点信息的列表，每个元素为字典，包含景点的名称、链接、地区、评分等信息
"""
# 基础 URL，不包含 x-traceID 参数 也可以不要?_fxpcqlniredt=09031014214564332507&x-traceID=
base_url = 'https://m.ctrip.com/restapi/soa2/20591/getGsOnlineResult?_fxpcqlniredt=09031014214564332507'
has_more_data = True # 用于控制循环是否继续
all_items = [] # 存储所有的景点信息
page_index = start_page
while has_more_data:
# 生成新的 x-traceID，每次请求都不同
timestamp = int(time.time() * 1000)
random_number = random.randint(1000000, 9999999)
x_traceID = f'09031014214564332507-{timestamp}-{random_number}'
# 构建完整的 URL，包括新的 x-traceID
url = f'{base_url}&x-traceID={x_traceID}'
# 构造 POST 请求的数据体
data = {
"keyword": keyword,
"pageIndex": page_index,
"pageSize": 12,
"tab": "sight",
"sourceFrom": "",
"profile": "false",
"head": {
"cid": "09031014214564332507",
"ctok": "",
"cver": "1.0",
"lang": "01",
"sid": "8888",
"syscode": "09",
"auth": "",
"xsid": "",
"extension": []
}
}
# 发送 POST 请求并获得响应
response = requests.post(url, data=data, headers=headers)
# print(f"page:{page_index}, 状态码: {response.status_code}")
# 检查响应状态码是否成功
if response.status_code == 200:
data = response.json()
# 获取 items 列表
items = data.get("items", [])
# 如果没有更多数据，停止循环
if not items:
# print("没有更多数据，结束爬取。")
has_more_data = False
break
# 提取每个项目中的字段并加入总列表
for item in items:
item_url = item.get('url', None) # 链接
districtName = item.get('districtName', None) # 地区
scenery_info = {
"链接": item_url,
"地区": districtName,
}
all_items.append(scenery_info)
# 增加页数索引，继续爬取下一页
page_index += 1
else:
print(f"请求失败，状态码: {response.status_code}")
has_more_data = False # 停止循环
# 为了避免请求过快，休眠一段时间
time.sleep(random.uniform(1, 3)) # 随机延时1到3秒
print(f"总共获取到{page_index - start_page}页 {len(all_items)}个《{keyword}》景区信息。\n")
return all_items
def get_scenery_info(scenery_data):
"""
获取景区url下的基础信息，包括景区名称、热度、评分及poiId。
参数:
scenic_data: 所有景区主页对应的url列表。
返回:
list: 包含每个景区信息的字典列表。
"""
all_scenery_info = [] # 用于存储所有景区信息的列表
for item in scenery_data:
try:
# 获取景区的 URL
url = item.get("链接")
if not url:
print(f"无效的链接，跳过此项：{item}")
continue # 如果链接为空，跳过此项
response = requests.get(url, headers=headers) # 设置超时
response.encoding = 'utf-8' # 设置正确的编码格式
soup = BeautifulSoup(response.text, 'html.parser')
# 提取景区名称、热度、评分和poiId
district_name = soup.find('span', class_='districtName').get_text(strip=True) if soup.find('span',
class_='districtName') else None
heat_score = soup.find('div', class_='heatScoreText').get_text(strip=True) if soup.find('div',
class_='heatScoreText') else None
comment_score = soup.find('p', class_='commentScoreNum').get_text(strip=True) if soup.find('p',
class_='commentScoreNum') else None
baseInfoText = soup.find('p', class_='baseInfoText').get_text(strip=True) if soup.find('p',
class_='baseInfoText') else None
poi_id = get_poiId(soup) # 获取当前景区的 poiId
scenery_info = {
"景区名称": district_name,
"地区": item.get("地区"),
'详细地址': baseInfoText,
"热度": heat_score,
"评分": comment_score,
"poiId": poi_id,
"链接": url
}
# 打印景区信息（可选）
print(f"景区名字: {district_name}")
print(f"地区: {item.get('地区')}")
print(f"详细地址: {baseInfoText}")
print(f"热度: {heat_score}")
print(f"评分: {comment_score}")
print(f"景区对应的 poiId: {poi_id}")
print(f"链接: {url}")
print("---------------------------")
all_scenery_info.append(scenery_info)
except requests.exceptions.RequestException as e:
print(f"请求失败，跳过此URL：{item.get('链接')}，错误：{e}")
continue
time.sleep(random.uniform(1,3)) # 随机延时1到3秒
return all_scenery_info # 返回包含所有景区信息的列表
def get_poiId(soup):
"""
获取当前景区的 poiId。
poiId 是评论区换页请求的关键参数，用于获取更多评论。
参数:
soup (BeautifulSoup): 解析后的页面内容。
返回:
str: 返回景区的 poiId。
"""
# 查找所有的脚本标签
scripts = soup.find_all('script')
# 通过遍历脚本内容，使用正则表达式查找包含 poiId 的内容
for script in scripts:
if 'poiId' in script.text:
# 正则表达式匹配 poiId
poi_id = re.search(r'\"poiId\":(\d+)', script.text)
if poi_id:
# 返回提取到的 poiId
return poi_id.group(1)
def save_to_csv(data, directory, filename):
"""
将数据保存到指定目录的CSV文件中。
参数:
data : 数据列表/字典
directory (str): 保存的目录
filename (str): 要保存的文件名
"""
df = pd.DataFrame(data)
# 检查目录是否存在，不存在则创建
if not os.path.exists(directory):
os.makedirs(directory)
# 构建文件路径
file_path = os.path.join(directory, filename)
df.to_csv(file_path, index=False, encoding='utf-8-sig')
print(f"数据已保存到 {file_path}")
if __name__ == '__main__':
# 关键字 keyword，例如 "迪士尼"
keyword = "迪士尼"
directory = "data/" + keyword
if not os.path.exists(directory+ "/景点信息.csv"):
# 1.通过关键词获取景区的基本信息列表，包括链接和地区。
scenery_url = get_scenery_url(keyword, start_page=1)
# 2.通过景区链接获取更详细的景区信息
# 字典scenery_info包含景区名称,地区,详细地址,热度,评分,poiId,链接
scenery_info = get_scenery_info(scenery_url)
save_to_csv(scenery_info, directory, '景点信息.csv')
else:
# 如果文件存在，读取 CSV 文件并转为字典列表
scenery_info = pd.read_csv(directory+ "/景点信息.csv").to_dict(orient='records')
# 3.获取全部景区的评论
# 用户昵称、用户会员等级、评论ID、评分、发布时间、用户所在位置、评论来源类型、游客类型显示、景色评分、趣味评分、性价比评分、评论内容
get_all_review(scenery_info, directory, start_page=1)