冻成狗啦！我用Python爬取某宝2008条棉袄，终于买到心仪的棉袄了！-技术圈

大家好，我是菜鸟哥~

转眼就到12月份了，但是没想到今年的冬天这么冷，基本取暖靠抖，太冷啦！

于是，菜鸟哥赶紧打开了Python，用它爬取并分析一波棉袄，找到一件最合适的棉袄给裹到身上。

数据采集

数据采集是数据可视化分析的第一步，也是最基础的一步，数据采集的数量和质量越高，后面分析的准确的也就越高，我们来看一下淘宝网的数据该如何爬取。

淘宝网站是一个动态加载的网站，我们之前可以采用解析接口或者用Selenium自动化测试工具来爬取数据，但是现在淘宝对接口进行了加密，使我们很难分析出来其中的规律，同时淘宝也对Selenium进行了反爬限制，所以我们要换种思路来进行数据获取。

打开开发者模式，开始对网页进行观察后发现，淘宝商品的数据竟然在源网页中存储着。

我翻了几页网页之后发现，每翻一页，网页的params参数中的s参数就会增加44(初始值是0)。

经过以上分析，现在我们就可以开始构造爬虫程序了。

导入爬虫使用的库

import requests
import re
import time
import random
import openpyxl

发起请求

for page in range(1,101):
   params = (
       ('q', '棉袄'),
       ('imgfile', ''),
       ('commend', 'all'),
       ('ssid', 's5-e'),
       ('search_type', 'item'),
       ('sourceId', 'tb.index'),
       ('spm', 'a21bo.jianhua.201856-taobao-item.2'),
       ('ie', 'utf8'),
       ('initiative_id', 'tbindexz_20170306'),
       ('hintq', '1'),
       ('s', str(page*44)),
   )
response = requests.get(url,  params=params)

数据存储

   a = 0
   b = 0
   for i in range(44):
       try:
           sheet.append([dianpumingcheng[i],shangpinming[i],float(jiage[i]),fahuodi[i],fukuanrenshu[i]])
       except:
           a+=1
           if a>30:
               print(f"第{page}页数据未爬取......")
               wb.save('棉袄.xlsx')
               # 把xxx改成你想要的存储的名称即可
               b = 1
               break
   if b == 1:
       break
   print(f"已爬取完第{page}页数据......")
   time.sleep(random.randint(3,5))
print(f'共爬取{page}页数据......')

数据清洗

数据采集后，要对其进行清洗，剔除脏数据，用以提高分析的准确性。

导入商品数据

用pandas读取爬取后的商品数据并预览。

import pandas as pd
df = pd.read_excel('棉袄.xlsx',names=['店铺名称','商品名','价格','产地','付款人数'])
print(df.head())

删除重复数据

df.drop_duplicates()

删除重复数据后，还有2008条数据。

数据类型转换

我们发现付款人数是字符串类型，我们需要将其转换成整数类型。

wb = openpyxl.load_workbook('棉袄.xlsx')
int_list = []
sheet = wb['Sheet']
for i in range(2,2008):
   str = sheet[f'E{i}'].value
   if '万+' in str:
       int_list.append(int(int(str[:-2])*random.uniform(1,2)*10000))
   elif '+' in str:
       int_list.append(int(int(str[:-1])+random.random()*1000))
   else:
       int_list.append(int(str))
for i in range(2,2008):
   sheet.cell(i,5).value = int_list[i-2]
wb.save('3.xlsx')

查看数据类型

查看字段类型和缺失值情况，符合分析需要，无需另做处理。

df.info()

可视化分析

我们来对这2008家棉袄商品数据进行可视化分析。可视化图是由Python、Tableau和Excel共同绘制而来。

在售棉袄特点

通过对棉袄的商品名称进行词云图绘制，我们发现，今年棉袄的样式以宽松、潮流、韩版、短款类居多。

制作代码如下：

from imageio import imread
import jieba
from wordcloud import WordCloud, STOPWORDS

with open("1.txt",'r',encoding='utf-8') as f:
 job_title_1 = f.read()
contents_cut_job_title = jieba.cut(job_title_1)
contents_list_job_title = " ".join(contents_cut_job_title)
wc = WordCloud(stopwords=STOPWORDS.add("一个"), collocations=False,
            background_color="white",
            font_path=r"K:\msyh.ttc",
            width=400, height=300, random_state=42,
            mask=imread('棉袄.jpg', pilmode="RGB")
            )
wc.generate(contents_list_job_title)
wc.to_file("推荐语.png")

各省产量分布图

通过对各商品的产地数据进行统计并绘制了全国地图，我们发现浙江、广东和福建这三个地方生产棉袄最多，分别是914家、261家和203家。

制作代码如下：

import openpyxl
from collections import Counter
from pyecharts import Map
wb = openpyxl.load_workbook('棉袄.xlsx')
sheet = wb['Sheet']
a = []
for i in range(2,1960):
 D = sheet[f'D{i}']
 a.append(D.value)
province_distribution = dict(Counter(a))
provice = list(province_distribution.keys())
values = list(province_distribution.values())
map = Map("中国地图",width=1200, height=600)
map.add("", provice, values, visual_range=[0, 50], maptype='china', is_visualmap=True,
visual_text_color='#000',is_label_show=True)
map.render(path="地图.html")