中文字幕黄色网,中文字幕亚洲综合久久菠萝蜜,亚洲三级黄色片

主頁 > 知識庫 > 用python爬取分析淘寶商品信息詳解技術篇

用python爬取分析淘寶商品信息詳解技術篇

背景介紹

有個同學問我：“XXX，有沒有辦法搜集一下淘寶的商品信息啊，我想要做個統計”。于是乎，閑來無事的我，又開始琢磨起這事…

一、模擬登陸

興致勃勃的我，沖進淘寶就準備一頓亂搜：

在搜索欄里填好關鍵詞：“顯卡”，小手輕快敲擊著回車鍵（小樣~看我的）
心情愉悅的我等待著返回滿滿的商品信息，結果苦苦的等待換了的卻是302，于是我意外地來到了登陸界面。

情況基本就是這么個情況了…
然后我查了一下，隨著淘寶反爬手段的不斷加強，很多小伙伴應該已經發現，淘寶搜索功能是需要用戶登陸的！

關于淘寶模擬登陸，有大大已經利用requests成功模擬登陸（感興趣的小伙伴請往這邊>>>requests登陸淘寶）
這個方法得先分析淘寶登陸的各種請求，并模擬生成相應的參數，相對來說有一定的難度。于是我決定換一種思路，通過selenium+二維碼的方式：

# 打開圖片
def Openimg(img_location):
    img=Image.open(img_location)
    img.show()

# 登陸獲取cookies
def Login():  
    driver = webdriver.PhantomJS() 
    driver.get('https://login.taobao.com/member/login.jhtml')
    try:
        driver.find_element_by_xpath('//*[@id="login"]/div[1]/i').click()
    except:
        pass
    time.sleep(3)
    # 執行JS獲得canvas的二維碼
    JS = 'return document.getElementsByTagName("canvas")[0].toDataURL("image/png");'
    im_info = driver.execute_script(JS) # 執行JS獲取圖片信息
    im_base64 = im_info.split(',')[1]  #拿到base64編碼的圖片信息
    im_bytes = base64.b64decode(im_base64)  #轉為bytes類型
    time.sleep(2)
    with open('./login.png','wb') as f:
        f.write(im_bytes)
        f.close()
    t = threading.Thread(target=Openimg,args=('./login.png',))
    t.start()
    print("Logining...Please sweep the code!\n")
    while(True):
        c = driver.get_cookies()
        if len(c) > 20:   #登陸成功獲取到cookies
            cookies = {}
            for i in range(len(c)):
                cookies[c[i]['name']] = c[i]['value']
            driver.close()
            print("Login in successfully!\n")
            return cookies
        time.sleep(1)

通過webdriver打開淘寶登陸界面，把二維碼下載到本地并打開等待用戶掃碼（相應的元素大家通過瀏覽器的F12元素分析很容易就能找出）。待掃碼成功后，將webdriver里的cookies轉為DICT形式，并返回。（這里是為了后續requests爬取信息的時候使用）

二、爬取商品信息

當我拿到cookies之后，便能對商品信息進行爬取了。
（小樣 ~我來啦）

1. 定義相關參數

定義相應的請求地址，請求頭等等：

# 定義參數
headers = {'Host':'s.taobao.com',
           'User-Agent':'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0',
           'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
           'Accept-Language':'zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2',
           'Accept-Encoding':'gzip, deflate, br',
           'Connection':'keep-alive'}
list_url = 'http://s.taobao.com/search?q=%(key)sie=utf8s=%(page)d'

2. 分析并定義正則

當請求得到HTML頁面后，想要得到我們想要的數據就必須得對其進行提取，這里我選擇了正則的方式。通過查看頁面源碼：

偷懶的我上面只標志了兩個數據，不過其他也是類似的，于是得到以下正則：

# 正則模式
p_title = '"raw_title":"(.*?)"'       #標題
p_location = '"item_loc":"(.*?)"'    #銷售地
p_sale = '"view_sales":"(.*?)人付款"' #銷售量
p_comment = '"comment_count":"(.*?)"'#評論數
p_price = '"view_price":"(.*?)"'     #銷售價格
p_nid = '"nid":"(.*?)"'              #商品唯一ID
p_img = '"pic_url":"(.*?)"'          #圖片URL

（ps.聰明的小伙伴應該已經發現了，其實商品信息是被保存在了g_page_config變量里面，所以我們也可以先提取這個變量（一個字典），然后再讀取數據，也可！）

3. 數據爬取

完事具備，只欠東風。于是，東風來了：

# 數據爬取
key = input('請輸入關鍵字:') # 商品的關鍵詞
N = 20 # 爬取的頁數 
data = []
cookies = Login()
for i in range(N):
    try:
        page = i*44
        url = list_url%{'key':key,'page':page}
        res = requests.get(url,headers=headers,cookies=cookies)
        html = res.text
        title = re.findall(p_title,html)
        location = re.findall(p_location,html)
        sale = re.findall(p_sale,html)
        comment = re.findall(p_comment,html)
        price = re.findall(p_price,html)
        nid = re.findall(p_nid,html)
        img = re.findall(p_img,html)
        for j in range(len(title)):
            data.append([title[j],location[j],sale[j],comment[j],price[j],nid[j],img[j]])
        print('-------Page%s complete!--------\n\n'%(i+1))
        time.sleep(3)
    except:
        pass
data = pd.DataFrame(data,columns=['title','location','sale','comment','price','nid','img'])
data.to_csv('%s.csv'%key,encoding='utf-8',index=False)

上面代碼爬取20也商品信息，并將其保存在本地的csv文件中，效果是這樣的：

三、簡單數據分析

有了數據，放著豈不是浪費，我可是社會主義好青年，怎能做這種事？那么，就讓我們來簡單看看這些數據叭：
（當然，數據量小，僅供娛樂參考）

1.導入庫

# 導入相關庫
import jieba
import operator
import pandas as pd
from wordcloud import WordCloud
from matplotlib import pyplot as plt

相應庫的安裝方法(其實基本都能通過pip解決)：

jieba
pandas
wordcloud
matplotlib

2.中文顯示

# matplotlib中文顯示
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']

不設置可能出現中文亂碼等鬧心的情況哦~

3.讀取數據

# 讀取數據
key = '顯卡'
data = pd.read_csv('%s.csv'%key,encoding='utf-8',engine='python')

4.分析價格分布

# 價格分布
plt.figure(figsize=(16,9))
plt.hist(data['price'],bins=20,alpha=0.6)
plt.title('價格頻率分布直方圖')
plt.xlabel('價格')
plt.ylabel('頻數')
plt.savefig('價格分布.png')

價格頻率分布直方圖：

5.分析銷售地分布

# 銷售地分布
group_data = list(data.groupby('location'))
loc_num = {}
for i in range(len(group_data)):
    loc_num[group_data[i][0]] = len(group_data[i][1])
plt.figure(figsize=(19,9))
plt.title('銷售地')
plt.scatter(list(loc_num.keys())[:20],list(loc_num.values())[:20],color='r')
plt.plot(list(loc_num.keys())[:20],list(loc_num.values())[:20])
plt.savefig('銷售地.png')
sorted_loc_num = sorted(loc_num.items(), key=operator.itemgetter(1),reverse=True)#排序
loc_num_10 = sorted_loc_num[:10]  #取前10
loc_10 = []
num_10 = []
for i in range(10):
    loc_10.append(loc_num_10[i][0])
    num_10.append(loc_num_10[i][1])
plt.figure(figsize=(16,9))
plt.title('銷售地TOP10')
plt.bar(loc_10,num_10,facecolor = 'lightskyblue',edgecolor = 'white')
plt.savefig('銷售地TOP10.png')

銷售地分布：

銷售地TOP10：

6.詞云分析

# 制作詞云
content = ''
for i in range(len(data)):
    content += data['title'][i]
wl = jieba.cut(content,cut_all=True)
wl_space_split = ' '.join(wl)
wc = WordCloud('simhei.ttf',
               background_color='white', # 背景顏色
               width=1000,
               height=600,).generate(wl_space_split)
wc.to_file('%s.png'%key)

淘寶商品”顯卡“的詞云：