python爬虫——分析天猫iphonX的销售数据

it2022-05-23 67

每天学习一点点编程PDF电子书、视频教程免费下载：http://www.shitanlife.com/code

01.引言

　　这篇文章是我最近刚做的一个项目，会带领大家使用多种技术实现一个非常有趣的项目，该项目是关于苹果机（iphoneX）的销售数据分析，是网络爬虫和数据分析的综合应用项目。本项目会分别从天猫和京东抓取iphoneX的销售数据（利用 Chrome 工具跟踪 Web 数据），并将这些数据保存到 Mysql 数据库中，然后对数据进行清洗，最后通过 SQL 语句、Pandas 和 Matplotlib 对数据进行数据可视化分析。我们从分析结果中可以得出很多有趣的结果，例如，大家最爱买的颜色是，最喜欢的是多少G内存的iphoneX等等，当然本文介绍的只是一个小的应用，时间够的话如果大家刚兴趣可以进一步进行推广。

　　废话不多说，马上开始。

02.分析

　　首先从马云粑粑的天猫“取“点数据，取数据的第一步即使要分析一下 Web 页面中数据是如何来的。也就是说数据，数据是通过何种方式发送到客户端浏览器的。天猫和京东的数据基本上没采用什么有意义的反爬技术，所以抓取数据相对比较容易（针对于复杂的后期会介绍抓包工具以及Scrapy框架自动爬取的方式）。

　　进到天猫苹果的官方旗舰店后，开始使用 Chrome 浏览器或者火狐都可以，他们都有很方便的调试工具。开始搜索”iphoneX“关键字，然后页面就会弹出iphoneX的商品详情页，浏览商品页面，在页面的右键菜单中点击“检查”菜单项，打开调试窗口，切换到“Network”选项卡，这个选项卡可以实时显示出当前页面向服务端发送的所有请求，以及这些请求的请求头、响应头、响应内容以及其他与调试有关的信息。对于调试和跟踪 Web 应用相当方便。

　　打开“Network”选项卡后，进到商品评论处，切换到下一页，会看到“Network”选项卡下方出现很多 URL，这就是切换评论页时向服务端新发出的请求。我们要找的东西就在这些 URL 中。至于如何找到具体的 URL，那就要依靠经验了。可以一个一个点击寻找（在右侧的“Preview”选项卡中显示 URL 的响应内容），也可以根据 URL 名判断，一般程序员不会起无意义的名字，这样很不好维护。这里我们找到一个”list_detail_rate.htm?“的URL，点开后，我们发现如图1所示，ratelist中的信息正是一条条的评论信息，所以也正是我们需要的Url。

然后右键选中左边”list_detail_rate.htm?“选择保存URL地址，然后用浏览器打开，可以看到如图2所示的内容。

　　这个 URL 就是iphoneX的某一页的评论（销售）数据，如果要查询所有的评论数据，就需要动态改变 URL 的参数。下面看一下“Headers”选项卡下面的“Query String Parameters”部分，如图3所示，会清楚地了解该 URL 的具体参数值。

　　在这些参数中有一部分对我们有用，例如，itemId 表示商品 ID，currentPage 表示当前获取的评论页数，在通过爬虫获取这些评论数据时，需要不断改变这些参数值以获取不同的评论数据。

尽管根据评论数计算（每页20条评论），某些商品的评论页数可能多达数百页，甚至上千页。

03.抓取天猫iphoneX的销售数据

　　因为本项目抓取指定商品销售数据需要使用 JSON 模块中相应的 API 进行分析，因为返回的销售数据是 JSON 格式的，而从搜索页面抓取的商品列表需要分析 HTML 代码，这里我使用urllib模块。在对数据进行分析整理后，需要将数据保存到 Mysql 数据库中，因此，本例还会使用 mysql.connector 模块，本例使用的其他模块还包括 re正则模块和urllib.error异常处理模块，所以需要在 Python 脚本开头使用下面的代码导入相关模块。

1 2 3 4 import urllib import mysql.connector import re import urllib.error

　　使用 request 方法发送 HTTP 请求时，可以使用 decode() 函数对 GET 字段进行编码。

1 data = urllib.request.urlopen(url).read().decode( 'GB18030' )

　　然后，可以利用正则表达式对data数据进行正则匹配，这里就不仔细描述了，代码如下；

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 for currentPage in range ( 1 , 100 ): try : commt_url = 'https://rate.tmall.com/list_detail_rate.htm?itemId=560257961625&spuId=893336129&sellerId=1917047079&order=3¤tPage=' + str (currentPage) + '&append=0&content=1&tagId=&posi=&picture=&' proxy_add = "119.183.220.224:8088" #设置代理服务器，具体的大家可以去西刺免费的IP网站选择一个，“人生苦短，我选代理” #------------备用IP----------- #proxy_add="124.128.39.138:8088" #proxy_add="223.241.78.1064:8010" commt_data = use_proxy_2(commt_url,proxy_add) #爬取网页的评论内容 #正则匹配目标参数：网络类型、机身颜色、存储容量、购买途径、评价、评论日期 pat = '"aliMallSeller":.*?auctionSku":"(.*?)","auctionTitle.*?"cmsSource":"(.*?)","displayRatePic.*?"rateContent":"(.*?)","rateDate":"(.*?)","reply.*?":""}' list_detail = re. compile (pat).findall(commt_data) except urllib.error.URLError as e: if hasattr (e, "code" ): print (e.code) if hasattr (e, "reason" ): print (e.reason)

　　正则匹配后的数据一个list，而且所有的数据都在一起，如下所示：

所以需要对数据进行拆分，生成不同的字段，分别为‘type#网络类型’，‘color#机身颜色’，‘rom #存储容量’，‘source #来源购买途径’，‘discuss #评论’，‘time #评论日期’。

1 2 3 4 5 6 7 8 9 10 11 12 for i in range ( len (list_detail)): #i表示每页第i条评论 data = list (list_detail[i]) #print(data) item_data = data[ 0 ] m = re.split( '[:;]' ,item_data) #print(m) type = m[ 1 ] #网络类型 color = m[ 3 ] #机身颜色 rom = m[ 5 ] #存储容量 source = data[ 1 ] #来源购买途径 discuss = data[ 2 ] #评论 time = data[ 3 ] #评论日期

　　然后就是将数据存入数据库中，利用python将数据存入数据库的方法有很多，这里我用的是mysql.connector模块。这里在插入数据库前，我们可以先在本地的数据库建好表，如下我用的是MySQL-Front可视化操作工作，比较直观反应。

然后开始将爬到的数据插入数据库，代码：

#插入mysql数据库#连接数据库，这里注意端口号port的值是int类型，不能写成字符型，我第一次的时候就是吃了苦头conn = mysql.connector.connect(user='root',password='111111',host='127.0.0.1',port=3306,database='pachong')#获取游标cursor = conn.cursor()#插入数据cursor.execute("INSERT INTO iphoneX(type,color,rom,source,discuss,time) VALUES ('"+type+"','"+color+"','"+rom+"','"+source+"','"+discuss+"','"+time+"')")print('第'+str(currentPage)+'页，第'+str(i)+'条数据') print('************** 数据保存成功 **************')#提交数据conn.commit()#关闭连接cursor.close()

保存成功后，再取数据库中查看，如图所示；

下面看一下完整的实现代码

import urllib import mysql.connector import re import urllib.error #设置请求头headers headers=("user-agent","Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36") opener=urllib.request.build_opener() opener.addheaders=[headers]#添加报头 urllib.request.install_opener(opener)#设置opner全局化 #设置代理服务器 def use_proxy_1(url,proxy_add): proxy=urllib.request.ProxyHandler({'http':proxy_add}) opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler) urllib.request.install_opener(opener) data=urllib.request.urlopen(url).read().decode('utf-8') return data def use_proxy_2(url,proxy_add): proxy=urllib.request.ProxyHandler({'http':proxy_add}) opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler) urllib.request.install_opener(opener) data=urllib.request.urlopen(url).read().decode('GB18030')#用GB18030格式转码 return data for currentPage in range(1,30): try: commt_url='https://rate.tmall.com/list_detail_rate.htm?itemId=560257961625&spuId=893336129&sellerId=1917047079&order=3¤tPage='+str(currentPage)+'&append=0&content=1&tagId=&posi=&picture=&' proxy_add="119.183.220.224:8088"#设置代理服务器，具体的大家可以去西刺免费的IP网站选择一个，“人生苦短，我选代理” #------------备用IP----------- #proxy_add="124.128.39.138:8088" #proxy_add="223.241.78.1064:8010" commt_data=use_proxy_2(commt_url,proxy_add) #爬取网页的评论内容 #正则匹配目标参数：网络类型、机身颜色、存储容量、购买途径、评价、评论日期 pat='"aliMallSeller":.*?auctionSku":"(.*?)","auctionTitle.*?"cmsSource":"(.*?)","displayRatePic.*?"rateContent":"(.*?)","rateDate":"(.*?)","reply.*?":""}' list_detail=re.compile(pat).findall(commt_data) except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) #print(list_detail) #返回的结果是list形式，通过循环进行遍历 #考虑到爬取的数据量比较大，还是来一个异常处理，这个东西是必要的，省很多不必要的麻烦 for i in range(len(list_detail)):#i表示每页第i条评论 data=list(list_detail[i]) #print(data) item_data=data[0] m = re.split('[:;]',item_data) #print(m) type = m[1]#网络类型 color = m[3]#机身颜色 rom = m[5]#存储容量 source = data[1]#来源购买途径 discuss = data[2]#评论 time = data[3]#评论日期 #print(type,color,rom,source,discuss,time) try: #插入mysql数据库 #连接数据库，这里注意端口号port的值是int类型，不能写成字符型，我第一次的时候就是吃了苦头 conn = mysql.connector.connect( user='root', password='111111', host='127.0.0.1', port=3306, database='pachong' ) #获取游标 cursor = conn.cursor() #插入数据 cursor.execute("INSERT INTO iphoneX(type,color,rom,source,discuss,time) VALUES ('"+type+"','"+color+"','"+rom+"','"+source+"','"+discuss+"','"+time+"')") print('第'+str(currentPage)+'页，第'+str(i)+'条数据') print('************** 数据保存成功 **************') #提交数据 conn.commit() #关闭连接 cursor.close() except Exception as e: print(e) print('第'+str(currentPage)+'页，第'+str(i)+'条数据') print('*************!!!! 保存失败!!!! **************')

04 数据分析

　　如果说抓取数据是数据分析的第1步，那么数据清洗就是数据分析的第2步，至于为什么要进行数据清洗呢？如何进行数据清洗呢？本文就不具体描述了，下面具体对我们抓取的天猫商城iphoneX的销售数据进行分析。

　　从销售数据可以看出，网络爬虫抓取了‘type#网络类型’，‘color#机身颜色’，‘rom #存储容量’，‘source #来源购买途径’，‘discuss #评论’，‘time #评论日期六类数据，当然还可以抓取更多的数据。这里我们主要是对颜色color和内存rom进行分析，下面利用SQl语句和Pandas库对数据进行基本的分析。

用 SQL 语句分析IphoneX（按颜色）销售比例

　　既然销售数据都保存在Mysql数据库中，那么我们不妨先用 SQL 语句做一下统计分析，本节将对iphoneX的销售量做一个销售比例统计分析。我们要统计的是某一个颜色的销售数量占整个销售数量的百分比，这里需要统计和计算如下3类数据。

某一个颜色的iphoneX销售数量iphoneX销售总数量

第1类数据和第2类数据的差值（百分比）

用 Pandas 和 Matplotlib 分析对胸罩销售比例进行可视化分析

　　接下来将使用 Pandas 完成与前面相同的数据分析，并使用 Matplotlib 将分析结果以图形化方式展现出来。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 # 打开iphoneX数据库 #数据分析 from pandas import * from matplotlib.pyplot import * import mysql.connector import matplotlib import matplotlib.pyplot as plt conn = mysql.connector.connect( user = 'root' , password = '111111' , host = '127.0.0.1' , port = 3306 , database = 'pachong' ) cur = conn.cursor() # 对color进行分组，并统计每一组的记录数 # 对color进行分组，并统计每一组的记录数 try : cur.execute( "select count(*) from iphoneX;" ) alldata = cur.fetchall() #color统计 cur.execute( "select count(*) from iphoneX where color='银色';" ) y_color = cur.fetchall()[ 0 ] cur.execute( "select count(*) from iphoneX where color='深空灰色';" ) h_color = cur.fetchall()[ 0 ] #rom统计 cur.execute( "select count(*) from iphoneX where rom='64GB';" ) rom64 = cur.fetchall()[ 0 ] cur.execute( "select count(*) from iphoneX where rom='256GB';" ) rom256 = cur.fetchall()[ 0 ] except : print ( "Select is failed" ) # 数据可视化 # 饼图要显示的文本 labels1 = [u 'y_color' ,u 'h_color' ] labels2 = [u '64_rom' ,u '256_rom' ] # 用饼图绘制销售比例 X1 = [y_color,h_color] X2 = [rom64,rom256] fig = plt.figure() #解决不能显示中文的方法 plt.pie(X1,labels = labels1,autopct = '%.2f%%' ) #画饼图（数据，数据对应的标签，百分数保留两位小数点） zhfont1 = matplotlib.font_manager.FontProperties(fname = 'C:\Windows\Fonts\simsun.ttc' ) plt.title( "颜色比例图" ,fontproperties = zhfont1) plt.show() plt.pie(X2,labels = labels2,autopct = '%.2f%%' ) #画饼图（数据，数据对应的标签，百分数保留两位小数点） zhfont1 = matplotlib.font_manager.FontProperties(fname = 'C:\Windows\Fonts\simsun.ttc' ) plt.title( "内存比例图" ,fontproperties = zhfont1) plt.show()

从上图的分析结果可以看出，iphoneX的“深空灰色”销售比例都很大，同时买256GB内存的要比64GB内存的比例大，基本上和我个人的判断差不多。今天就介绍到这里了，时间有限，后期会不断更新，大家也可以爬取不同商品的不同信息，进行更加具体的分析。

每天学习一点点编程PDF电子书、视频教程免费下载：http://www.shitanlife.com/code

转载于:https://www.cnblogs.com/scode2/p/8809038.html

专利

最新回复(0)