本文将详细讲解如何使用Python对淘宝上的粽子数据进行抓取和分析。文章内容质量较高,边肖将分享给大家参考。希望大家看完这篇文章后对相关知识有一定的了解。
爬虫
抓取淘宝数据。这次采用的方法是:Selenium控制Chrome浏览器自动运行。其实我们也可以用Ajax接口来构造链接,但是很麻烦(包括加密密钥等)。).直接用Selenium模拟浏览器会省很多事。
最常见的问题是chromedriver驱动与谷歌浏览器版本不匹配,这个问题很容易解决。接下来,我们开始使用selenium抓取淘宝产品,并使用Xpath分析获取商品名称、价格、付款人数量、店铺名称、发货地址等信息,最后将数据保存到本地。
爬虫程序如下:
Selenium自动抓取(需要淘宝扫描才能登录一次)。
来自seleniumimportwebdriver
#搜索产品并获取产品页码。
defsearch_product(关键字):
#定位输入框
browser.find_element_by_id('q ')。发送关键字(关键字)
#定义点击按钮并点击。
browser . find _ element _ by _ class _ name(' BTN-search ')。点击()
#最大化窗口:为了扫码方便。
browser.maximize _ window()
#等待15秒,给我们足够的时间扫描代码。
睡眠时间
#找到这个“页码”,得到“100页这篇文字”。
page _ info=browser . find _ element _ by _ XPath('//div[@ class=' total ']')。文本
#请注意,findall()返回一个列表,虽然此时只有一个元素,但它也是一个列表。
page=re.findall('(\d '),page_info)[0]
有关returnpage的详细爬虫代码下载,请参见文章结尾。
00-1010这时,我们爬上了数据:
整理前的数据。
数据还是比较粗糙的,有几个问题需要我们去处理:
添加列名。
删除重复数据(翻页和爬行时会有重复数据)。
如果买家数量为空,则替换为0进行支付。
将买家数量换算成销量(注意有的单位是万)。
删除没有发货地址的商品,提取省份。
部分代码:
#删除没有发货地址的商品,提取省份。
Df=df[df['送货地址']。notna()]
Df['省']=df['运输地址']。字符串。拆分(“”)。应用(lambdax:x [0])。
#删除冗余列。
Df.drop(['付款人数量','送货地址','数量','单位'],axis=1,inplace=true)。
#重置索引。
复位索引(下降=真)
df . head(10)
排序后的数据。
这样,我们对数据进行了清理和排序,便于下一步可视化。
顺便整理一下,看看。
什么粽子最贵!
df1 = df.sort_values(by="价格", axis=0, ascending=False) df1.iloc[:5,:]
想尝尝
数据可视化
本文我们打算用pyecharts进行可视化展示。有同学可能使用的是老版本(0.5X),Pyecharts的1.x版本与老版本(0.5X)不兼容,如果无法导入可能是这个问题哈。
可视化所有语句均基于v1.7.1,通过以下语句可查询你的pyecharts版本:
import pyecharts print(pyecharts.__version__)
扇形图
最贵的粽子1780元看来是吃不起了,那大家都买什么价位的呢?
先按照淘宝推荐的区间划分一下:
def price_range(x): #按照淘宝推荐划分价格区间 if x <= 22: return '22元以下' elif x <= 115: return '22-115元' elif x <= 633: return '115-633元' else: return '633元以上'
再使用pyecharts来生成不同价格区间的粽子销量占比图。
不同价格区间的粽子销量占比
看来百元以内的粽子(礼盒装)才是大家的正常承受范围,不过我还是选择小区门口的5块钱3个。
词云图
我们用jieba对爬取得到的商品名称分词,生成词云。
from pyecharts.charts import WordCloud from pyecharts.globals import SymbolType # 词云图 word1 = WordCloud(init_opts=opts.InitOpts(width='1350px', height='750px')) word1.add("", [*zip(key_words.words, key_words.num)], word_size_range=[20, 200], shape=SymbolType.DIAMOND) word1.set_global_opts(title_opts=opts.TitleOpts('粽子商品名称词云图'), toolbox_opts=opts.ToolboxOpts()) word1.render("粽子商品名称词云图.html")
粽子商品名称词云图
硕大的粽子周围环绕着几个突出的关键词:礼盒装、鲜肉、蛋黄、嘉兴、豆沙、端午节。除去端午节相关的词汇,我们通过关键词大小似乎就知道几种口味的受欢迎情况。
查阅资料对比一下,还真是大体一致。
心疼我枣粽。
至于嘉兴这个地名,我们后文会继续提到。
粽子商品销量Top10
五芳斋共4款入围,其中一款礼盒装达到了100万+的销量,应该比这个还多(参见微信的10w+)。真真老老紧随其后,3款粽子进入TOP10。其余的品牌还有稻香村和知味观,额,第九名是卖粽叶的,看来自己包粽子的需求也是蛮大的嘛。
粽子店铺销量Top10
粽子店铺销量Top10其实与商品相似,五芳斋官方旗舰店和真真老老旗舰店占据首位,遥遥领先。
经过查阅,五芳斋,真真老老,都为嘉兴的粽子两大品牌,那难怪嘉兴在词云图里那么突出。嘉兴属于浙江省,销量冠亚军都在这里,那浙江岂不是占比很大。
地图
继续使用pyecharts来生成各省份粽子销量分布图
from pyecharts.charts import Map # 计算销量 province_num = df.groupby('省份')['销量'].sum().sort_values(ascending=False) # 绘制地图 map1 = Map(init_opts=opts.InitOpts(width='1350px', height='750px')) map1.add("", [list(z) for z in zip(province_num.index.tolist(), province_num.values.tolist())], maptype='china' ) map1.set_global_opts(title_opts=opts.TitleOpts(title='各省份粽子销量分布'), visualmap_opts=opts.VisualMapOpts(max_=300000), toolbox_opts=opts.ToolboxOpts() ) map1.render("各省份粽子销量分布.html")
各省份粽子销量分布
这个销量占比差异真的是太大了。
可以说中国粽子看浙江,浙江粽子看嘉兴[3](通过计算发货地址为浙江的粽子销量占比70.6%,而嘉兴占浙江的87.4%)
关于怎么用Python爬取淘宝上的粽子数据并进行分析就分享到这里了,希望
内容来源网络,如有侵权,联系删除,本文地址:https://www.230890.com/zhan/49007.html