版权声明：本文为博主原创文章，转载请注明转自 Scofield's blog[http://blog.csdn.net/scotfield_msn] https://blog.csdn.net/Scotfield_msn/article/details/79107423
scrapy爬取酒店评论数据
代码 here：GitHub：scrapy_hotel_review
采用scrapy爬取酒店评论数据。
总共有28W条记录。
做某NLP任务，需要一些hotel reviews, 选择从www.booking.com搞一点数据来。
根据主页显示总共有20个城市from diferrent countries，每个城市下有若干个酒店，每个酒店下若干条评论。
〇、数据源介绍
数据源：www.booking.com
具体：
所有的城市：
某个城市的酒店列表：
某个酒店的评论：
一、爬取数据项：
设定一条记录有如下字段：
- 目标酒店名target
- 分数score
- 总体评价overall_comment
- 正评论positive_comment
- 负评论negative_comment
- 入住日期date
- 城市名city_name
用CSV文件保存with seperator “\t”.
二、目录介绍：
-hotel_review_booking：hotel_data数据文件
-hotel_review_booking：scrapy理解的项目目录
-hotel_review_booking：scrapy的真正项目目录
-entrypoint
……
三、流程：四步：
- 新建项目 (Project)：新建一个新的爬虫项目
- 明确目标（Items）：明确你想要抓取的目标
- 制作爬虫（Spider）：制作爬虫开始爬取网页
- 存储内容（Pipeline）：设计管道存储爬取内容
四、url分析：
略……
五、代码提示：
因为酒店列表不好直接显示页数，所以采取半人工手段标记页数……
日期date: 使用正则匹配。
pattern = r'(\d{4})年(\d{1,2})月(\d{1,2})日'
pattern_compiled = re.compile(pattern)其他也没啥的，就是scrapy的使用上，纯经验主义。