• Python 爬虫实战之爬淘宝商品并做数据分析

    前言

    是这样的，之前接了一个金主的单子，他想在淘宝开个小鱼零食的网店，想对目前这个市场上的商品做一些分析，本来手动去做统计和分析也是可以的，这些信息都是对外展示的，只是手动比较麻烦，所以想托我去帮个忙。

    图片

    一、 项目要求：

    具体的要求如下：

    1.在淘宝搜索“小鱼零食”，想知道前10页搜索结果的所有商品的销量和金额，按照他划定好的价格区间来统计数量，给我划分了如下的一张价格区间表：

    图片

    2.这10页搜索结果中，商家都是分布在全国的哪些位置？

    3.这10页的商品下面，用户评论最多的是什么？

    4.从这些搜索结果中，找出销量最多的10家店铺名字和店铺链接。

    从这些要求来看，其实这些需求也不难实现，我们先来看一下项目的效果。

    二、效果预览

    获取到数据之后做了下分析，最终做成了柱状图，鼠标移动可以看出具体的商品数量。

    图片

    在10~30元之间的商品最多，越往后越少，看来大多数的产品都是定位为低端市场。

    然后我们再来看一下全国商家的分布情况：

    图片

    可以看出，商家分布大多都是在沿海和长江中下游附近，其中以沿海地区最为密集。

    然后再来看一下用户都在商品下面评论了一些什么：

    图片

    字最大的就表示出现次数最多，口感味道、包装品质、商品分量和保质期是用户评价最多的几个方面，那么在产品包装的时候可以从这几个方面去做针对性阐述，解决大多数人比较关心的问题。

    最后就是销量前10的店铺和链接了。

    图片

    在拿到数据并做了分析之后，我也在想，如果这个东西是我来做的话，我能不能看出来什么东西？或许可以从价格上找到切入点，或许可以从产品地理位置打个差异化，又或许可以以用户为中心，由外而内地做营销。

    越往深想，越觉得有门道，算了，对于小鱼零食这一块我是外行，不多想了。

    三、爬虫源码

    由于源码分了几个源文件，还是比较长的，所以这里就不跟大家一一讲解了，懂爬虫的人看几遍就看懂了，不懂爬虫的说再多也是云里雾里，等以后学会了爬虫再来看就懂了。

    1. import csv
    2. import os
    3. import time
    4. import wordcloud
    5. from selenium import webdriver
    6. from selenium.webdriver.common.by import By
    7.  
    8.  
    9.  
    10.  
    11. def tongji():
    12.     prices = []
    13.     with open('前十页销量和金额.csv', 'r', encoding='utf-8', newline='') as f:
    14.         fieldnames = ['价格', '销量', '店铺位置']
    15.         reader = csv.DictReader(f, fieldnames=fieldnames)
    16.         for index, i in enumerate(reader):
    17.             if index != 0:
    18.                 price = float(i['价格'].replace('¥', ''))
    19.                 prices.append(price)
    20.     DATAS = {'<10': 0, '10~30': 0, '30~50': 0,
    21.              '50~70': 0, '70~90': 0, '90~110': 0,
    22.              '110~130': 0, '130~150': 0, '150~170': 0, '170~200': 0, }
    23.     for price in prices:
    24.         if price < 10:
    25.             DATAS['<10'] += 1
    26.         elif 10 <= price < 30:
    27.             DATAS['10~30'] += 1
    28.         elif 30 <= price < 50:
    29.             DATAS['30~50'] += 1
    30.         elif 50 <= price < 70:
    31.             DATAS['50~70'] += 1
    32.         elif 70 <= price < 90:
    33.             DATAS['70~90'] += 1
    34.         elif 90 <= price < 110:
    35.             DATAS['90~110'] += 1
    36.         elif 110 <= price < 130:
    37.             DATAS['110~130'] += 1
    38.         elif 130 <= price < 150:
    39.             DATAS['130~150'] += 1
    40.         elif 150 <= price < 170:
    41.             DATAS['150~170'] += 1
    42.         elif 170 <= price < 200:
    43.             DATAS['170~200'] += 1
    44.  
    45.  
    46.     for k, v in DATAS.items():
    47.         print(k, ':', v)
    48.  
    49.  
    50.  
    51.  
    52. def get_the_top_10(url):
    53.     top_ten = []
    54.     # 获取代理
    55.     ip = zhima1()[2][random.randint(0, 399)]
    56.     # 运行quicker动作（可以不用管）
    57.     os.system('"C:\Program Files\Quicker\QuickerStarter.exe" runaction:5e3abcd2-9271-47b6-8eaf-3e7c8f4935d8')
    58.     options = webdriver.ChromeOptions()
    59.     # 远程调试Chrome
    60.     options.add_experimental_option('debuggerAddress', '127.0.0.1:9222')
    61.     options.add_argument(f'--proxy-server={ip}')
    62.     driver = webdriver.Chrome(optinotallow=options)
    63.     # 隐式等待
    64.     driver.implicitly_wait(3)
    65.     # 打开网页
    66.     driver.get(url)
    67.     # 点击部分文字包含'销量'的网页元素
    68.     driver.find_element(By.PARTIAL_LINK_TEXT, '销量').click()
    69.     time.sleep(1)
    70.     # 页面滑动到最下方
    71.     driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    72.     time.sleep(1)
    73.     # 查找元素
    74.     element = driver.find_element(By.ID, 'mainsrp-itemlist').find_element(By.XPATH, './/div[@class="items"]')
    75.     items = element.find_elements(By.XPATH, './/div[@data-category="auctions"]')
    76.     for index, item in enumerate(items):
    77.         if index == 10:
    78.             break
    79.         # 查找元素
    80.         price = item.find_element(By.XPATH, './div[2]/div[1]/div[contains(@class,"price")]').text
    81.         paid_num_data = item.find_element(By.XPATH, './div[2]/div[1]/div[@class="deal-cnt"]').text
    82.         store_location = item.find_element(By.XPATH, './div[2]/div[3]/div[@class="location"]').text
    83.         store_href = item.find_element(By.XPATH, './div[2]/div[@class="row row-2 title"]/a').get_attribute(
    84.             'href').strip()
    85.         # 将数据添加到字典
    86.         top_ten.append(
    87.             {'价格': price,
    88.              '销量': paid_num_data,
    89.              '店铺位置': store_location,
    90.              '店铺链接': store_href
    91.              })
    92.  
    93.  
    94.     for i in top_ten:
    95.         print(i)
    96.  
    97.  
    98.  
    99.  
    100. def get_top_10_comments(url):
    101.     with open('排名前十评价.txt', 'w+', encoding='utf-8') as f:
    102.         pass
    103.     # ip = ipidea()[1]
    104.     os.system('"C:\Program Files\Quicker\QuickerStarter.exe" runaction:5e3abcd2-9271-47b6-8eaf-3e7c8f4935d8')
    105.     options = webdriver.ChromeOptions()
    106.     options.add_experimental_option('debuggerAddress', '127.0.0.1:9222')
    107.     # options.add_argument(f'--proxy-server={ip}')
    108.     driver = webdriver.Chrome(optinotallow=options)
    109.     driver.implicitly_wait(3)
    110.     driver.get(url)
    111.     driver.find_element(By.PARTIAL_LINK_TEXT, '销量').click()
    112.     time.sleep(1)
    113.     element = driver.find_element(By.ID, 'mainsrp-itemlist').find_element(By.XPATH, './/div[@class="items"]')
    114.     items = element.find_elements(By.XPATH, './/div[@data-category="auctions"]')
    115.     original_handle = driver.current_window_handle
    116.     item_hrefs = []
    117.     # 先获取前十的链接
    118.     for index, item in enumerate(items):
    119.         if index == 10:
    120.             break
    121.         item_hrefs.append(
    122.             item.find_element(By.XPATH, './/div[2]/div[@class="row row-2 title"]/a').get_attribute('href').strip())
    123.     # 爬取前十每个商品评价
    124.     for item_href in item_hrefs:
    125.         # 打开新标签
    126.         # item_href = 'https://item.taobao.com/item.htm?id=523351391646&ns=1&abbucket=11#detail'
    127.         driver.execute_script(f'window.open("{item_href}")')
    128.         # 切换过去
    129.         handles = driver.window_handles
    130.         driver.switch_to.window(handles[-1])
    131.  
    132.  
    133.         # 页面向下滑动一部分，直到让评价那两个字显示出来
    134.         try:
    135.             driver.find_element(By.PARTIAL_LINK_TEXT, '评价').click()
    136.         except Exception as e1:
    137.             try:
    138.                 x = driver.find_element(By.PARTIAL_LINK_TEXT, '评价').location_once_scrolled_into_view
    139.                 driver.find_element(By.PARTIAL_LINK_TEXT, '评价').click()
    140.             except Exception as e2:
    141.                 try:
    142.                     # 先向下滑动100，放置评价2个字没显示在屏幕内
    143.                     driver.execute_script('var q=document.documentElement.scrollTop=100')
    144.                     x = driver.find_element(By.PARTIAL_LINK_TEXT, '评价').location_once_scrolled_into_view
    145.                 except Exception as e3:
    146.                     driver.find_element(By.XPATH, '/html/body/div[6]/div/div[3]/div[2]/div/div[2]/ul/li[2]/a').click()
    147.         time.sleep(1)
    148.         try:
    149.             trs = driver.find_elements(By.XPATH, '//div[@class="rate-grid"]/table/tbody/tr')
    150.             for index, tr in enumerate(trs):
    151.                 if index == 0:
    152.                     comments = tr.find_element(By.XPATH, './td[1]/div[1]/div/div').text.strip()
    153.                 else:
    154.                     try:
    155.                         comments = tr.find_element(By.XPATH,
    156.                                                    './td[1]/div[1]/div[@class="tm-rate-fulltxt"]').text.strip()
    157.                     except Exception as e:
    158.                         comments = tr.find_element(By.XPATH,
    159.                                                    './td[1]/div[1]/div[@class="tm-rate-content"]/div[@class="tm-rate-fulltxt"]').text.strip()
    160.                 with open('排名前十评价.txt', 'a+', encoding='utf-8') as f:
    161.                     f.write(comments + '\n')
    162.                     print(comments)
    163.         except Exception as e:
    164.             lis = driver.find_elements(By.XPATH, '//div[@class="J_KgRate_MainReviews"]/div[@class="tb-revbd"]/ul/li')
    165.             for li in lis:
    166.                 comments = li.find_element(By.XPATH, './div[2]/div/div[1]').text.strip()
    167.                 with open('排名前十评价.txt', 'a+', encoding='utf-8') as f:
    168.                     f.write(comments + '\n')
    169.                     print(comments)
    170.  
    171.  
    172.  
    173.  
    174. def get_top_10_comments_wordcloud():
    175.     file = '排名前十评价.txt'
    176.     f = open(file, encoding='utf-8')
    177.     txt = f.read()
    178.     f.close()
    179.  
    180.  
    181.     w = wordcloud.WordCloud(width=1000,
    182.                             height=700,
    183.                             background_color='white',
    184.                             font_path='msyh.ttc')
    185.     # 创建词云对象，并设置生成图片的属性
    186.  
    187.  
    188.     w.generate(txt)
    189.     name = file.replace('.txt', '')
    190.     w.to_file(name + '词云.png')
    191.     os.startfile(name + '词云.png')
    192.  
    193.  
    194.  
    195.  
    196. def get_10_pages_datas():
    197.     with open('前十页销量和金额.csv', 'w+', encoding='utf-8', newline='') as f:
    198.         f.write('\ufeff')
    199.         fieldnames = ['价格', '销量', '店铺位置']
    200.         writer = csv.DictWriter(f, fieldnames=fieldnames)
    201.         writer.writeheader()
    202.     infos = []
    203.     options = webdriver.ChromeOptions()
    204.     options.add_experimental_option('debuggerAddress', '127.0.0.1:9222')
    205.     # options.add_argument(f'--proxy-server={ip}')
    206.     driver = webdriver.Chrome(optinotallow=options)
    207.     driver.implicitly_wait(3)
    208.     driver.get(url)
    209.     # driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    210.     element = driver.find_element(By.ID, 'mainsrp-itemlist').find_element(By.XPATH, './/div[@class="items"]')
    211.     items = element.find_elements(By.XPATH, './/div[@data-category="auctions"]')
    212.     for index, item in enumerate(items):
    213.         price = item.find_element(By.XPATH, './div[2]/div[1]/div[contains(@class,"price")]').text
    214.         paid_num_data = item.find_element(By.XPATH, './div[2]/div[1]/div[@class="deal-cnt"]').text
    215.         store_location = item.find_element(By.XPATH, './div[2]/div[3]/div[@class="location"]').text
    216.         infos.append(
    217.             {'价格': price,
    218.              '销量': paid_num_data,
    219.              '店铺位置': store_location})
    220.     try:
    221.         driver.find_element(By.PARTIAL_LINK_TEXT, '下一').click()
    222.     except Exception as e:
    223.         driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    224.         driver.find_element(By.PARTIAL_LINK_TEXT, '下一').click()
    225.     for i in range(9):
    226.         time.sleep(1)
    227.         driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    228.         element = driver.find_element(By.ID, 'mainsrp-itemlist').find_element(By.XPATH, './/div[@class="items"]')
    229.         items = element.find_elements(By.XPATH, './/div[@data-category="auctions"]')
    230.         for index, item in enumerate(items):
    231.             try:
    232.                 price = item.find_element(By.XPATH, './div[2]/div[1]/div[contains(@class,"price")]').text
    233.             except Exception:
    234.                 time.sleep(1)
    235.                 driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    236.                 price = item.find_element(By.XPATH, './div[2]/div[1]/div[contains(@class,"price")]').text
    237.             paid_num_data = item.find_element(By.XPATH, './div[2]/div[1]/div[@class="deal-cnt"]').text
    238.             store_location = item.find_element(By.XPATH, './div[2]/div[3]/div[@class="location"]').text
    239.             infos.append(
    240.                 {'价格': price,
    241.                  '销量': paid_num_data,
    242.                  '店铺位置': store_location})
    243.         try:
    244.             driver.find_element(By.PARTIAL_LINK_TEXT, '下一').click()
    245.         except Exception as e:
    246.             driver.execute_script('window.scrollTo(0,document.body.scrollHeight)')
    247.             driver.find_element(By.PARTIAL_LINK_TEXT, '下一').click()
    248.         # 一页结束
    249.         for info in infos:
    250.             print(info)
    251.         with open('前十页销量和金额.csv', 'a+', encoding='utf-8', newline='') as f:
    252.             fieldnames = ['价格', '销量', '店铺位置']
    253.             writer = csv.DictWriter(f, fieldnames=fieldnames)
    254.             for info in infos:
    255.                 writer.writerow(info)
    256.  
    257.  
    258.  
    259.  
    260. if __name__ == '__main__':
    261.     url = 'https://s.taobao.com/search?q=%E5%B0%8F%E9%B1%BC%E9%9B%B6%E9%A3%9F&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.21814703.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306&bcoffset=4&ntoffset=4&p4ppushleft=2%2C48&s=0'
    262.     # get_10_pages_datas()
    263.     # tongji()
    264.     # get_the_top_10(url)
    265.     # get_top_10_comments(url)
    266.     get_top_10_comments_wordcloud()

    通过上面的代码，我们能获取到想要获取的数据，然后再Bar和Geo进行柱状图和地理位置分布展示，这两块大家可以去摸索一下。

  • 相关阅读:
    R语言使用hexSticker包将ggplot2包可视化的结果转换为六角图（六角贴、六角形贴纸、ggplot2 plot to hex sticker）
    相似度loss汇总，pytorch code
    【Go】十九、网络连接与请求发送
    Java网络编程
    接口测试方法论——WebSocket一点通
    重大技术问题，iPhone 15 Pro Max面临“烧屏门”风波 | 百能云芯
    T246836 [LSOT-1] 暴龙的土豆
    Feign远程调用
    167.二叉树：另一棵树的字树（力扣）
    黑客（网络安全）技术速成自学
  • 原文地址：https://blog.csdn.net/WBKJ_Noah/article/details/133856976