数据可视化实战：如何采集并分析马蜂窝上的热门旅游信息？

原创

jackcode

发布于 2025-06-11 11:02:04

15800

代码可运行

文章被收录于专栏：爬虫资料爬虫资料

运行总次数：0

代码可运行

想知道大家都在杭州去哪玩？不如试试自己动手搞点数据来看看——我最近就尝试了一种低成本的数据抓取+图表分析方案，整个过程还挺有趣的，分享给你。

旅行越来越个性化，但信息太散怎么办？

大家应该也有这种感觉吧，现在出去旅游，做攻略几乎成了“信息大战”——去哪玩？怎么玩？值不值得？网上各种推荐、评论、问答混在一起，有时候看得头都大了。

我比较好奇的是：这些攻略信息到底有没有共性？

比如：

是不是总有那么几个地方被大家反复提起？
游客最关心的问题，到底是“交通”、“门票”还是“吃住”？

带着这些问题，我想试着从某个旅游社区采集一批数据，做个小分析。我选了马蜂窝，因为它的用户内容还算丰富。

我的目标很简单

输入一个关键词，比如“杭州”，我想获取：
这个城市的热门景点列表；一些相关的旅游攻略标题；用户在问答区都讨论了啥问题；undefined最后，做成两个图：一个热门景点排行图，一个关键词词云图。

说白了，就是试着还原一下大家对“杭州”这个目的地的关注重点。

用什么方法搞这些数据？

我做的事，大致是这样：

用自动浏览器（有点像我们手动点网页）去打开马蜂窝；
模拟用户在搜索框中输入“杭州”；
等待网页加载后，读取页面中呈现的景点信息；
把每个景点的标题、链接保存下来；
用简单的分类方式存储数据；
最后做个小分析。

为了防止访问太频繁被限制，我还加了网络代理（可以让网站误以为每次访问都来自不同网络环境）和浏览器模拟参数，尽量让这套访问方式显得“像人”。

实际代码片段

下面是我写的部分示例代码，主要逻辑就是通过 Playwright 实现浏览器行为，采集景点卡片中的标题和链接。

import asyncio
from playwright.async_api import async_playwright
import json
import os

# 网络代理配置（参考亿牛云爬虫代理示例）
PROXY_SERVER = "http://proxy.16yun.cn:3100"
PROXY_USERNAME = "16YUN"
PROXY_PASSWORD = "16IP"

KEYWORD = "杭州"

os.makedirs("mafengwo_data", exist_ok=True)

async def run():
    async with async_playwright() as p:
        browser = await p.chromium.launch(headless=True)
        context = await browser.new_context(
            user_agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 Chrome/114.0.0.0 Safari/537.36",
            proxy={
                "server": PROXY_SERVER,
                "username": PROXY_USERNAME,
                "password": PROXY_PASSWORD
            }
        )

        page = await context.new_page()
        await page.goto("https://www.mafengwo.cn/")
        await page.context.add_cookies([{
            'name': 'mfw_uuid', 'value': 'example-uuid', 'domain': '.mafengwo.cn', 'path': '/'
        }])

        # 输入关键词并搜索
        await page.fill('input[id="search-input"]', KEYWORD)
        await page.click('div.search-btn')
        await page.wait_for_timeout(3000)

        # 提取搜索结果中的景点卡片
        scenic_cards = await page.locator('div[class*="list_mod"]').all()
        results = []

        for card in scenic_cards:
            title = await card.locator('h3').inner_text()
            link = await card.locator('a').get_attribute('href')
            results.append({
                "景点": title.strip(),
                "链接": f"https://www.mafengwo.cn{link}" if link.startswith('/') else link
            })

        # 保存每个景点信息为JSON文件
        for r in results:
            filename = os.path.join("mafengwo_data", f"{r['景点']}.json")
            with open(filename, "w", encoding="utf-8") as f:
                json.dump(r, f, ensure_ascii=False, indent=2)

        await browser.close()

asyncio.run(run())

数据分析和图形展示

我对采集到的内容做了两种可视化：

柱状图：展示热门景点 Top10；
词云图：分析大家关心的问题关键词。

代码如下：

import os
import json
import matplotlib.pyplot as plt
from collections import Counter
from wordcloud import WordCloud

files = os.listdir("mafengwo_data")
scenic_counts = Counter()
qa_keywords = Counter()

for file in files:
    with open(os.path.join("mafengwo_data", file), "r", encoding="utf-8") as f:
        data = json.load(f)
        scenic_counts[data["景点"]] += 1
        # 模拟关键词统计（实际可根据内容语义提取）
        qa_keywords.update(["交通", "门票", "住宿", "路线"])

# 热门景点Top10
plt.figure(figsize=(10, 5))
names, counts = zip(*scenic_counts.most_common(10))
plt.bar(names, counts, color='skyblue')
plt.title("热门景点排行")
plt.ylabel("次数")
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig("hot_scenic.png")
plt.close()

# 关键词词云图
wc = WordCloud(font_path="msyh.ttc", background_color="white", width=800, height=400)
wc.generate_from_frequencies(qa_keywords)
wc.to_file("qa_wordcloud.png")