Python+Selenium自动化爬取携程动态加载游记

2025-07-15 381

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： Python+Selenium自动化爬取携程动态加载游记

引言
在旅游行业数据分析、舆情监测或竞品研究中，获取携程等平台的游记数据具有重要价值。然而，携程的游记页面通常采用动态加载（Ajax、JavaScript渲染），传统的Requests+BeautifulSoup方案难以直接获取完整数据。
解决方案：使用Selenium模拟浏览器行为，配合BeautifulSoup或lxml解析动态加载的游记内容。本文将详细介绍如何利用Python+Selenium爬取携程动态加载的游记，并存储至CSV文件。
技术选型与工具准备
2.1 技术栈
● Python 3.8+（推荐使用最新稳定版）
● Selenium（浏览器自动化工具）
● BeautifulSoup4（HTML解析库）
● Pandas（数据存储与处理）
● ChromeDriver（与Chrome浏览器配合使用）
2.2 环境安装
2.3 下载浏览器驱动
● ChromeDriver：下载地址（需与本地Chrome版本匹配）
● GeckoDriver（Firefox）：下载地址
爬取携程动态加载游记的步骤
3.1 分析携程游记页面结构
目标URL示例（以“北京”为例）：
https://you.ctrip.com/travels/beijing1/t3.html
关键观察点：
动态加载：游记列表通过滚动或点击“加载更多”动态获取。
Ajax请求：可通过浏览器开发者工具（F12→Network→XHR）查看数据接口。
反爬机制：
○ User-Agent检测
○ IP限制（需代理或控制请求频率）
○ 登录验证（部分内容需登录）
3.2 Selenium 模拟浏览器操作
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import time
import pandas as pd
from bs4 import BeautifulSoup

配置ChromeDriver路径

driver_path = "chromedriver.exe" # 替换为你的驱动路径
options = webdriver.ChromeOptions()
options.add_argument("--headless") # 无头模式（可选）
options.add_argument("--disable-gpu")
options.add_argument("user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36")

driver = webdriver.Chrome(executable_path=driver_path, options=options)
3.3 访问目标页面并滚动加载数据
def scroll_to_bottom(driver, maxscroll=5):
"""模拟滚动加载"""
for in range(max_scroll):
driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
time.sleep(2) # 等待数据加载

url = "https://you.ctrip.com/travels/beijing1/t3.html"
driver.get(url)
scroll_to_bottom(driver) # 滚动加载更多游记
3.4 解析游记数据
def parse_travel_notes(driver):
soup = BeautifulSoup(driver.page_source, 'html.parser')
notes = soup.findall('div', class='journalslist') # 游记列表容器

data = []
for note in notes:
    title = note.find('a', class_='journal-title').get_text(strip=True)
    author = note.find('a', class_='nickname').get_text(strip=True)
    date = note.find('span', class_='time').get_text(strip=True)
    views = note.find('span', class_='num').get_text(strip=True)
    content = note.find('p', class_='journal-content').get_text(strip=True)

    data.append({
        "标题": title,
        "作者": author,
        "发布时间": date,
        "阅读量": views,
        "内容摘要": content
    })

return data

travel_data = parse_travel_notes(driver)
3.5 存储数据至CSV
df = pd.DataFrame(travel_data)
df.to_csv("ctrip_travel_notes.csv", index=False, encoding="utf_8_sig") # 避免中文乱码

完整代码实现

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from bs4 import BeautifulSoup
import pandas as pd
import time
from selenium.webdriver.chrome.options import Options

def scroll_to_bottom(driver, maxscroll=5):
"""模拟滚动加载"""
for in range(max_scroll):
driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")
time.sleep(2)

def parse_travel_notes(driver):
"""解析游记数据"""
soup = BeautifulSoup(driver.page_source, 'html.parser')
notes = soup.findall('div', class='journalslist')

data = []
for note in notes:
    title = note.find('a', class_='journal-title').get_text(strip=True)
    author = note.find('a', class_='nickname').get_text(strip=True)
    date = note.find('span', class_='time').get_text(strip=True)
    views = note.find('span', class_='num').get_text(strip=True)
    content = note.find('p', class_='journal-content').get_text(strip=True)

    data.append({
        "标题": title,
        "作者": author,
        "发布时间": date,
        "阅读量": views,
        "内容摘要": content
    })

return data

def main():

# 代理配置
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

# 初始化浏览器配置
options = Options()

# 设置User-Agent
options.add_argument("user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36")

# 设置代理（带认证）
proxy_options = {
    'proxy': {
        'http': f'http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}',
        'https': f'https://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}',
        'no_proxy': 'localhost,127.0.0.1'
    }
}

# 添加代理扩展（适用于需要认证的代理）
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.proxy import Proxy, ProxyType

# 方法1：使用ChromeOptions添加代理（基础方法，可能不支持认证）
# options.add_argument(f'--proxy-server=http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}')

# 方法2：使用插件方式添加认证代理（推荐）
# 需要先创建一个代理认证插件
manifest_json = """
{
    "version": "1.0.0",
    "manifest_version": 2,
    "name": "Chrome Proxy",
    "permissions": [
        "proxy",
        "tabs",
        "unlimitedStorage",
        "storage",
        "<all_urls>",
        "webRequest",
        "webRequestBlocking"
    ],
    "background": {
        "scripts": ["background.js"]
    },
    "minimum_chrome_version":"22.0.0"
}
"""

background_js = """
var config = {
    mode: "fixed_servers",
    rules: {
        singleProxy: {
            scheme: "http",
            host: "%s",
            port: parseInt(%s)
        },
        bypassList: ["localhost"]
    }
};

chrome.proxy.settings.set({value: config, scope: "regular"}, function() {});

function callbackFn(details) {
    return {
        authCredentials: {
            username: "%s",
            password: "%s"
        }
    };
}

chrome.webRequest.onAuthRequired.addListener(
    callbackFn,
    {urls: ["<all_urls>"]},
    ['blocking']
);
""" % (proxyHost, proxyPort, proxyUser, proxyPass)

# 创建临时插件目录
import os
import tempfile
import zipfile

plugin_dir = tempfile.mkdtemp()
with open(os.path.join(plugin_dir, "manifest.json"), 'w') as f:
    f.write(manifest_json)
with open(os.path.join(plugin_dir, "background.js"), 'w') as f:
    f.write(background_js)

# 打包插件
proxy_plugin_path = os.path.join(plugin_dir, "proxy_auth_plugin.zip")
with zipfile.ZipFile(proxy_plugin_path, 'w') as zp:
    zp.write(os.path.join(plugin_dir, "manifest.json"), "manifest.json")
    zp.write(os.path.join(plugin_dir, "background.js"), "background.js")

# 添加插件到ChromeOptions
options.add_extension(proxy_plugin_path)

try:
    # 初始化浏览器（带代理）
    driver = webdriver.Chrome(executable_path="chromedriver.exe", options=options)

    # 访问页面并滚动加载
    url = "https://you.ctrip.com/travels/beijing1/t3.html"
    driver.get(url)
    scroll_to_bottom(driver)

    # 解析数据
    travel_data = parse_travel_notes(driver)

    # 存储数据
    df = pd.DataFrame(travel_data)
    df.to_csv("ctrip_travel_notes.csv", index=False, encoding="utf_8_sig")
    print("数据爬取完成，已保存至 ctrip_travel_notes.csv")

finally:
    driver.quit()
    # 清理临时插件文件
    import shutil
    shutil.rmtree(plugin_dir)

if name == "main":
main()

进阶优化
5.1 反反爬策略
● 随机User-Agent：使用fake_useragent库动态切换UA。
● IP代理池：结合requests+proxies绕过IP限制。
● 模拟登录：处理需要登录才能查看的游记。
5.2 数据增强
● 情感分析：使用SnowNLP或TextBlob分析游记情感倾向。
● 关键词提取：利用jieba分词提取热门景点关键词。
5.3 分布式爬虫
● Scrapy+Redis：提升爬取效率。
● 多线程/异步爬取：使用asyncio或aiohttp优化请求速度。

Python+Selenium自动化爬取携程动态加载游记

配置ChromeDriver路径

热门文章

最新文章

相关课程

相关电子书

推荐镜像

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

Python+Selenium自动化爬取携程动态加载游记

配置ChromeDriver路径

热门文章

最新文章

相关课程

相关电子书

推荐镜像