站長資訊平臺

爬取點評成都數(shù)據(jù)，只為告訴你哪家火鍋最好吃

2018-11-30 來源：raincent

冬天到了，天氣越來越冷，小編起床越來越困難了，每一天都想吃辣辣的火鍋。成都到處都是火鍋店，有名的店，稍微去晚一點，排隊都要排好久，沒聽說的店，又怕味道不好。那么如何選擇火鍋店呢?最簡單的肯定是在美團、大眾點評上找一找啊。所以，本文就從大眾點評上爬取了成都的火鍋數(shù)據(jù)，來進行了分析。

1、爬蟲

首先小編定位為成都，美食類型選的“火鍋”，火鍋具體類型選的不限，區(qū)域選的不限，排序選的智能，如圖：

你也可以選擇別的選項，只是注意URL的變化。本文都是按照上述選項爬取的數(shù)據(jù)。接下來翻頁觀察一下URL的變化：

第二頁：

第三頁：

很容易觀察出翻頁變化的知識p后面的數(shù)字，倒推回第一頁，發(fā)現(xiàn)一樣的顯示內(nèi)容，因此，寫一個循環(huán)，便可以爬取全部頁面。但是大眾點評只提供了前50頁的數(shù)據(jù)，所以，我們也只能爬取前50頁。

這一次，小編用的pyquery來分析網(wǎng)頁的，所以我們需要定位到我們所爬取的數(shù)據(jù)的位置，如圖：

在具體分析的網(wǎng)頁的時候，我震驚了，大眾點評的反爬做的太過分了，它的數(shù)字，一些文字居然都不是明文顯示，而是代碼，你還不知道怎么分析它。如圖：

很煩的，一些文字又可以顯示，一些又用代碼表示。一些數(shù)字也是，不過好一點的是數(shù)字只有9個，只要稍微觀察一下，就能發(fā)現(xiàn)數(shù)字的代碼是什么了。這里小編列出來了。 {'hs-OEEp': 0, 'hs-4Enz': 2, 'hs-GOYR': 3, 'hs-61V1': 4, 'hs-SzzZ': 5, 'hs-VYVW': 6, 'hs-tQlR': 7, 'hs-LNui': 8, 'hs-42CK': 9}。值得注意的是，數(shù)字1，是用明文表示的。

那么，如何用pyquery來定位呢，很簡單，你找到你要獲取的數(shù)據(jù)，然后右鍵→copy→cut selector，你復制到代碼里面就OK了。pyquery的具體用法百度既有。

最后，我們獲取了火鍋50個頁面的數(shù)據(jù)，每頁15個數(shù)據(jù)，一共750家餐廳的數(shù)據(jù)。

2、分析

大眾點評已經(jīng)給出了星級評價，可以看看大致趨勢。

準五星商戶最多，可能因為大部分食客都習慣給好評，只有實在不滿時才會打出低評有關(guān)，造成了評級一般不低，但近滿分還是蠻少的。

在本文，我們假設(shè)評論數(shù)目為飯店的熱度，也就是它越火，評論數(shù)目越多。

評論數(shù)目大多在1000以內(nèi)，但是高于2000，甚至高于4000也還存在一些，這些飯店應該是一些網(wǎng)紅店。以5000為約束，篩選出飯店均為小龍坎、蜀大俠都非常知名的火鍋店。那么評論數(shù)量和星級有關(guān)系嗎?看下圖：

這里取其評論數(shù)平均值，發(fā)現(xiàn)對于四星以上商戶來說，評論數(shù)和星級并不關(guān)系，但均比低于四星的飯店銷量更好。這說明在四星以上之后，人們選擇差別不大，但一般不愿意接受評論太差的飯店。

對于小編這樣的學生黨來說，影響較大還有人均消費情況。

成都的火鍋店人均消費大部分都在50-100的區(qū)間內(nèi)，高于150的也有一些。對于小編來講，吃一頓火鍋，人均在50-100是可以接受的，高于100，小編就要低頭看看錢包了。那擴展看，人均消費和星級、評論數(shù)量有關(guān)系嗎?

上圖是人均消費和星級的關(guān)系，看起來并無任何關(guān)系，那說明一些口碑好的火鍋店，其實人均也不貴。下面看看人均和評論數(shù)目的關(guān)系吧。

通過比較，發(fā)現(xiàn)評論數(shù)目低于500，人均在50-100區(qū)間是最多的。當然這肯定和評論數(shù)量、人均消費本身集中于這一階段有關(guān)。

吃火鍋，一家店的生意好壞，肯定還和它的特色菜有關(guān)，小編通過jieba分詞，將爬取到的推薦菜做了一個詞云圖，如下。

小編最愛的牛肉是特色菜之最啊，尤其是麻辣牛肉，只要去吃火鍋，都要來上一份，其次是毛肚、蝦滑、鵝腸等等。

接下來是大家都關(guān)心的，口味、環(huán)境和服務的情況。

三者得分大多都是集中在8.0-9.2這一階段，小編認為，低于7.5分的飯店還是不要去嘗試了。同時，星級評價應該也是由這三者得分產(chǎn)生的。

果然如預想的一向，星級評價越好，它在口味、環(huán)境和服務的得分越高。那么口味，環(huán)境，服務得分與評論數(shù)量，平均價格有關(guān)系嗎?

如圖所看，并無什么直接關(guān)系，但是我們發(fā)現(xiàn)口味、環(huán)境和服務三者之間存在著非常好的線性關(guān)系，于是單獨拿出來畫了一個較大的圖。

我們并且擬合了線性關(guān)系，由于三星商戶只有一家，它的情況較為特殊之外，其他星級在口味、環(huán)境和服務的關(guān)系擬合中保持的相當一致，這也證明我們的猜想，這些變量之間存在線性關(guān)系。鑒于小編本文最大的目的是做推薦，于是，我們進行了K-means聚類，這里小編取K為3，并且把星級轉(zhuǎn)換為數(shù)字，五星對應5分，準五星對應4.5分，以此類推。最終得到了三類，通過作圖，看看聚類情況如何吧。