首页 » 技术分享 » 使用Scrapy框架爬取艺龙网机票信息

使用Scrapy框架爬取艺龙网机票信息

　
评论关闭　694次浏览

　　学爬虫的初衷便是为了爬机票信息，因为从小到大没坐过飞机，所以有着深深的怨念。掌握了一定的爬虫技巧后，尝试过爬去哪儿网和携程网的机票，均以失败告终，所幸在最后的一根稻草艺龙网上取得了想要的结果。
　　用Scrapy框架来完成这次任务。
　　首先，创建一个新的project：

scrapy startproject Airplane

　　可爬的信息有很多，如果你愿意，可以得到是否有餐食的信息，在items.py里列了出来。

import scrapy

class AirplaneItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    corpn = scrapy.Field()    #航空公司
    fltno = scrapy.Field()    #航空公司编号
    plane = scrapy.Field()    #飞机型号
    pk = scrapy.Field()       #飞机大小
    dportn = scrapy.Field()   #出发机场
    aportn = scrapy.Field()   #到达机场
    dtime = scrapy.Field()    #出发时间
    atime = scrapy.Field()    #到达时间
    meat = scrapy.Field()     #是否有餐食
    on = scrapy.Field()       #历史准点率
    minp = scrapy.Field()     #该航班最低票价
    tax = scrapy.Field()      #民航基金
    remainnum = scrapy.Field()#剩余票数

　　将得到的信息保存为json格式的文件，便于使用，且观赏性亦良好。这需要修改pipelines.py的代码，这里对编码进行了处理，使得打开json格式后看到的是中文，而不是unicode的编码。

# -*- coding: utf-8 -*-
import codecs
import json

class AirplanePipeline(object):
    def __init__(self):
        self.file = codecs.open('mywillingtickets.json', 'wb', encoding='utf-8')

    def process_item(self, item, spider):
        line = json.dumps(dict(item)) + '\n'
        self.file.write(line.decode("unicode_escape"))

　　接下来修改settings.py文件：

BOT_NAME = 'Airplane'

SPIDER_MODULES = ['Airplane.spiders']
NEWSPIDER_MODULE = 'Airplane.spiders'
ITEM_PIPELINES = {'Airplane.pipelines.AirplanePipeline': 1}

# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'Airplane (+http://www.yourdomain.com)'
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/29.0.1547.66 Safari/537.36'

　　在spiders文件夹下创建dict.py，在搜索北京到上海的机票时，出现的是这样的一个网址：

http://flight.elong.com/bjs-sha/day1.html

　　其中的bjs和sha分别是北京和上海的缩写，在数据交换时使用的代号，这里需要一个这样的dict.py，做出这样的一个一一对应的字典，达到输入汉字能生成相应网址的功能。这里，做测试之用，只写了几个。

# -*- coding:utf-8 -*-
abbr = {}
abbr[u'郑州'] = 'cgo'
abbr[u'大连'] = 'dlc'
abbr[u'北京'] = 'bjs'
abbr[u'上海'] = 'sha'

　　最后便是写最关键的爬虫文件ticket.py了。思路是这样的，通过使用firebug对艺龙网进行搜索机票时的抓包分析，得到了其加载信息时的数据来源json文件url，通过修改url中的起点终点以及日期，可以得到所需要的信息的json文件。
　　这里写图片描述
　　
　　之后进行json文件解析操作，便可以随意获取想要的信息。代码如下： 

# -*- coding:utf-8 -*-
__author__ = 'fybhp'
import scrapy
from Airplane.items import AirplaneItem
import json,random
from dict import abbr
import datetime

class TicketSpider(scrapy.Spider):
    name = "ticket"
    allowed_domains = ["flight.elong.com"]
    start_urls = []

    def __init__(self):
        DepartCity = raw_input('DepartCity:').decode('utf-8')
        ArriveCity = raw_input('ArriveCity:').decode('utf-8')
        your_price = raw_input('Please give your willing price:')
        self.your_price = your_price
        for i in range(31):
            DepartDate = str(datetime.date.today() +datetime.timedelta(days = i))
            self.start_urls.append('http://flight.elong.com/isajax/OneWay/S?_='+str(random.randint(1000000000000,
                                    1999999999999))+'&PageName=list&FlightType=OneWay&DepartCity='+\
                                    abbr[DepartCity]+'&ArriveCity='+\
                                    abbr[ArriveCity]+'&DepartDate='+DepartDate)

    def parse(self,response):
        sel = json.loads(response.body,encoding='utf-8')
        item = AirplaneItem()
        for yige in sel['value']['MainLegs']:
            item['minp'] = yige['minp']
            if  item['minp'] <= int(self.your_price):
                item['corpn'] = yige['segs'][0]['corpn']
                item['dtime'] = yige['segs'][0]['dtime']
                item['atime'] = yige['segs'][0]['atime']
                item['remainnum'] = yige['cabs'][0]['tc']
                #item['fltno'] = yige['segs'][0]['fltno']
                #item['plane'] = yige['segs'][0]['plane']
                #item['pk'] = yige['segs'][0]['pk']
                #item['dportn'] = yige['segs'][0]['dportn']
                #item['aportn'] = yige['segs'][0]['aportn']
                #item['meat'] = yige['segs'][0]['meat']
                #item['on'] = str(yige['segs'][0]['on']) + '%'
                #item['tax'] = yige['tax']
                yield item
            else:
                continue

　　由于并不是需要所有item中列出的信息，这里将它们注释掉了。在运行爬虫的时候会提示输入起始站，终点站，以及你所接受的最高票价，这样，高于所给票价的航班均会被过滤掉，不会出现在json文件中。文件中时间设定的是31天内，在init 中，该值可以任意更改。运行时交互情况如下图：
　　这里写图片描述
　　
　　爬取结束后，得到了mywillingtickets.json文件，如图：
　　这里写图片描述

　　看起来还不错，是吧。总之，希望这个小爬虫能给您带来帮助或者惊喜。

转载自原文链接, 如需删除请联系管理员。

原文链接：使用Scrapy框架爬取艺龙网机票信息，转载请注明来源！

赞 0