一、抓取数据
1、抓取数据的意义
对电商来说，抓取某些数据，再进行分析，可以有效地反映出数据在某个区间内变化情况。数据受某些因素而发生巨大的影响，也可以借助分析的数据来规划相关项目的后续发展。因此，如果能利用网页爬取数据技术获取数据并对各种数据进行统计分析，对后续淘宝的发展具有指导意义。
2、抓取的内容
包括：商品名称title、商品价格price、付款人数deal，店铺名称shop、店铺地址location、商品的详情页detail_url。
3、实现内容
1、开打淘宝网站，输入搜索内容“word”查找商品
2、再解决登录问题（登录时解决网站对selenium的判别，修改浏览器的内部属性，否则被识别出有selenium，需要进行滑动登陆验证。但是在运行时，你手动地去进行滑动登录也是会判别出存在selenium的，进而登陆不上去）
3、对查找商品在控制台上输出
4、具体实现代码
4.1所需模块
from selenium import webdriver
import time
import random
首先的话，我们需要导入一些模块，比如第三方模块selenium，大家如果发生报错的话，就需要额外安装了，安装selenium模块有2个方法：
1、在pycharm的terminal控制台命令行中输入：pip install selenium
2、在win+r中的cmd里输入：pip install selenium
这两个方法都是可以的。
import time
import random
这两个的话，我们则是用来设置随机时间的，在抓取到数据之前，我们需要点击搜索框、搜索一些按键。我们需要模拟人为的操作时间，否则的话很可能操作失败了，我们随机地等待1-3秒的时间。
4.2创建chrome浏览器，打开淘宝网
在关于创建浏览器的话，首选是chrome浏览器，调出开发者模式太方便了！！！，火狐也是可以的，但首选首选首选chrome，因为我真的没用过火狐，哈哈哈哈哈哈
然后使用driver.get()方法，往内部传一个地址，我们就用淘宝网的地址。我们也就打开了下面的所示淘宝的网页界面。
driver = webdriver.Chrome() # 创建谷歌浏览器
# TODO 执行浏览器操作
driver.get('https://www.taobao.com/')
driver.implicitly_wait(10) # 智能化等待方法
driver.maximize_window() # 最大化
4.3Xpath解析路径
我们要在淘宝网的搜索框中输入我们的商品，还要点搜索按钮，进而还需要登录（需要用户名、密码）。这都需要我们在网页上定位这些搜索框、搜索按钮、用户名框、密码框、登录按钮。所以打开淘宝网页的开发者模式，找到搜索框、搜索按钮、用户名框、密码框、登录按钮的xpath。
我们利用find_element_by_xpath()这个函数来解析对应的xpath
设置等待的时间，模拟人为操作
driver.find_element_by_xpath('//*[@id="q"]').send_keys(word)
time.sleep(random.randint(1, 3))
driver.find_element_by_xpath('//*[@id="J_TSearchForm"]/div[1]/button').click()
time.sleep(random.randint(1, 3))
开发者模式：
首先我们定位到搜索框，就在开发者模式的Elements下，copy --> copy xpath。复制到我们的find_element_by_xpath()函数中，其他的搜索按钮、用户名框、密码框、登录按钮也是这样找。
4.4 搜索商品关键字
在淘宝网上，根据我们所需要爬取的商品信息，在搜索框中搜索爬取的商品，比如说 帽子。
word = input('请输入要搜索的关键字：')
# TODO 创建浏览器
driver = webdriver.Chrome()
# TODO 执行浏览器操作
driver.get('https://www.taobao.com/') # 传一个地址
driver.implicitly_wait(10) # 智能化等待方法
driver.maximize_window() # 最大化
driver.find_element_by_xpath('//*[@id="q"]').send_keys(word) #
time.sleep(random.randint(1, 3))
driver.find_element_by_xpath('//*[@id="J_TSearchForm"]/div[1]/button').click()
time.sleep(random.randint(1, 3))
在搜索之后就出现一个登陆的界面，我们再根据4.3xpath解析路径的方法将我们的用户名，密码传进去，再进行登录。
代码如下：
"""用户账号及密码登录"""
driver.find_element_by_xpath('//*[@id="fm-login-id"]').send_keys('xxxxxxx') # TODO 输入用户名
time.sleep(random.randint(1, 3))
driver.find_element_by_xpath('//*[@id="fm-login-password"]').send_keys('xxxxxxxx') # TODO 输入密码
time.sleep(random.randint(1, 3))
driver.find_element_by_xpath('//*[@id="login-form"]/div[4]/button').click()
time.sleep(random.randint(1, 3))
不过此时会遇到一个问题：登陆的时候需要我们进行滑动验证
这是因为淘宝网检测出了selenium这个东西，尽管你人为地去滑动，但还是会登陆失败。
所以我们在创建出浏览器之后，随即改变浏览器内部的一些属性，可以网站避免检测出selenium的存在，就不需要我们进行滑动登录的验证了。
# 修改了浏览器的内部属性，跳过了登录的滑动验证
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",
{"source": """Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"""})
4.5获取爬取商品具体信息
解析获取商品名称title、商品价格price、付款人数deal，店铺名称shop、店铺地址location、商品的详情页detail_url的数据
这时候我们需要借助一个插件：xpath helper 十分好用，可以写我们xpath的语法，来帮助我们定位商品的具体信息。
例：这一页的48个商品名称
下载地址：
链接：https://pan.baidu.com/s/1iCEbjnpa8dhTDScIhkvbZA
提取码：1uv9
找到第一个商品，找到商品列表，每个商品列表里面都有该商品的具体信息，比如商品名称、商品价格、付款人数，店铺名称、店铺地址、等等等的数据
我们要获取所有的div标签divs，然后再遍历divs去获取所需要的商品具体信息
具体代码：
def parse_data():
# 多个商品数据解析
divs = driver.find_elements_by_xpath('//div[@class="grid g-clearfix"]/div/div') # 获取所有的div标签
for div in divs:
title = div.find_element_by_xpath('.//div[@class="row row-2 title"]/a').text # 商品名字
price = div.find_element_by_xpath('.//strong').text + '元' # 商品价格
deal = div.find_element_by_xpath('.//div[@class="deal-cnt"]').text # 付款人数
shop = div.find_element_by_xpath('.//div[@class="shop"]/a/span[2]').text # 店铺名称
location = div.find_element_by_xpath('.//div[@class="location"]').text # 店铺地点
detail_url = div.find_element_by_xpath('.//div[@class="row row-2 title"]/a').get_attribute('href') # 详情页地址
print(title, price, deal, shop, location, detail_url)
爬取第一页和第二页的商品信息，一页爬取完之后便点击下一页
for page in range(0, 2):
print(f'-----------------正在爬取第{page + 1}页-----------------')
# TODO 调用商品解析的函数
parse_data()
driver.find_element_by_xpath('//li[@class="item next"]/a[@class="J_Ajax num icon-tag"]').click()
time.sleep(random.randint(2, 3))
5、完整代码及结果
完整代码如下：
from selenium import webdriver
import time
import random
def parse_data():
divs = driver.find_elements_by_xpath('//div[@class="grid g-clearfix"]/div/div') # 所有的div标签
for div in divs:
test = div.find_element_by_xpath('.//div[@class="row row-2 title"]/a').text # 商品名字
price = div.find_element_by_xpath('.//strong').text + '元' # 商品价格
deal = div.find_element_by_xpath('.//div[@class="deal-cnt"]').text # 付款人数
name = div.find_element_by_xpath('.//div[@class="shop"]/a/span[2]').text # 店铺名称
location = div.find_element_by_xpath('.//div[@class="location"]').text # 店铺地点
detail_url = div.find_element_by_xpath('.//div[@class="row row-2 title"]/a').get_attribute('href') # 详情页地址
print(test, price, deal, name, location, detail_url)
if __name__ == '__main__':
word = input('请输入要搜索的关键字：')
# TODO 1、创建浏览器
driver = webdriver.Chrome()
# TODO 2、修改了浏览器的内部属性，跳过了登录的滑动验证
driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument",
{"source": """Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"""})
# TODO 3、执行浏览器操作
driver.get('https://www.taobao.com/')
driver.implicitly_wait(10) # 智能化等待方法
driver.maximize_window() # 最大化
driver.find_element_by_xpath('//*[@id="q"]').send_keys(word)
time.sleep(random.randint(1, 3))
driver.find_element_by_xpath('//*[@id="J_TSearchForm"]/div[1]/button').click()
time.sleep(random.randint(1, 3))
"""用户账号及密码登录"""
driver.find_element_by_xpath('//*[@id="fm-login-id"]').send_keys('xxxxxx') # TODO 输入用户名
time.sleep(random.randint(1, 3))
driver.find_element_by_xpath('//*[@id="fm-login-password"]').send_keys('xxxxxxx') # TODO 输入密码
time.sleep(random.randint(1, 3))
driver.find_element_by_xpath('//*[@id="login-form"]/div[4]/button').click()
time.sleep(random.randint(1, 3))
for page in range(0, 2):
print(f'-----------------正在爬取第{page + 1}页-----------------')
# TODO 调用商品解析的函数
parse_data()
driver.find_element_by_xpath('//li[@class="item next"]/a[@class="J_Ajax num icon-tag"]').click()
time.sleep(random.randint(2, 3))
爬取的结果如图：
二、存入数据库
from pymysql import * # 连接MySQL数据库
import pymysql
- 连接我们本机的数据库
- 接着创建游标对象
- 执行sql语句，将数据存入数据库表information中
（注意：在sql语句里，“不要用%或者+操作符来拼接SQL语句，应该使用占位符”，因为我使用了%拼接在运行的时候出错了，找了百度解决了这个问题）
mysql_obj = connect(host='127.0.0.1', user='root', password='xxxxxxxx', database='webcrawlers', port=3306,
charset='utf8mb4')
# 创建游标
cur_obj = mysql_obj.cursor()
# TODO 就是不要用%或者+操作符来拼接SQL语句，应该使用占位符
cur_obj.execute(
'insert into Information(id, name_product, price_product, number_purchaser, name_store, address_store, detail_url) values(0, ("%s"), ("%s"), ("%s"), ("%s"), ("%s"), ("%s")) ' , (
title, price, deal, shop, location, detail_url))
mysql_obj.commit()
cur_obj.close()
mysql_obj.close()
三、数据库数据导入csv文件并建模分析
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
import pymysql
在将数据库导入csv文件，借助了这个博客python把mysql数据库中的数据表写入csv文件_程序员 小明的博客-CSDN博客
"""参考此博客https://blog.csdn.net/weixin_42304193/article/details/89607394
将数据库数据导入csv文件
"""
class Test_myqsl(object):
# 运行数据库和建立游标对象
def __init__(self):
self.connect = pymysql.connect(host="127.0.0.1", port=3306, user="root", password="xxxxxxx", database="webcrawlers",
charset="utf8mb4")
# 返回一个cursor对象,也就是游标对象
self.cursor = self.connect.cursor(cursor=pymysql.cursors.DictCursor)
# 关闭数据库和游标对象
def __del__(self):
self.connect.close()
self.cursor.close()
def write(self):
# 将数据转化成DataFrame数据格式
data = pd.DataFrame(self.read())
# 把id设置成行索引
data_1 = data.set_index("id", drop=True)
# 写写入数据数据
pd.DataFrame.to_csv(data_1, "e:/python1/taobaodatatest.csv", encoding="gbk")
print("写入成功")
def read(self):
# 读取数据库的所有数据
data = self.cursor.execute("""select * from information""")
field_2 = self.cursor.fetchall()
# pprint(field_2)
return field_2
# 封装
def main():
write = Test_myqsl()
write.write()
此时，我们在e盘中的python1文件中，就有了taobaodatatest.csv这个文件。里面的数据是由webcrawlers数据库information这个表导入的。
在我们进行数据分析之前，我们要拿到商品的价格price_product、和购买人数number_purchase
这里面的数据包含了一些无用符号，比如说' '、万、+、人付款、元。我们需要它的数据进行分析。所以我们把这些符号处理一下，拿到我们所需要的数据。
# TODO 对csv文件进行符号、文字的替换
f = open('E:/python1/taobaodatatest.csv', encoding='gbk')
content_f = f.read()
with open('E:/python1/taobaodatatest.csv', 'w', encoding='gbk') as f1:
t = content_f.replace("'", ' ')
f1.write(t)
f.close()
f = open('E:/python1/taobaodatatest.csv', encoding='gbk')
content_f = f.read()
with open('E:/python1/taobaodatatest.csv', 'w', encoding='gbk') as f2:
g = content_f.replace('万', '0000')
f2.write(g)
f.close()
f = open('E:/python1/taobaodatatest.csv', encoding='gbk')
content_f = f.read()
with open('E:/python1/taobaodatatest.csv', 'w', encoding='gbk') as f3:
h = content_f.replace('+', '')
f3.write(h)
f.close()
f = open('E:/python1/taobaodatatest.csv', encoding='gbk')
content_f = f.read()
with open('E:/python1/taobaodatatest.csv', 'w', encoding='gbk') as f4:
j = content_f.replace('人付款', '')
f4.write(j)
f.close()
f = open('E:/python1/taobaodatatest.csv', encoding='gbk')
content_f = f.read()
with open('E:/python1/taobaodatatest.csv', 'w', encoding='gbk') as f5:
k = content_f.replace('元', '')
f5.write(k)
f.close()
将taobaodatatest.csv文件的特殊符号处理完之后，进行数据分析、建模
# TODO 1.分析商品价格对销量的影响
tbdata = pd.read_csv('e:/python1/taobaodatatest.csv', encoding='gbk')
sns.set(style="darkgrid")
sns.jointplot(x="price_product", y='number_purchaser', data=tbdata, kind='scatter', color='purple')
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.title('商品价格对销量的影响', loc='right')
plt.show()
# TODO 2.分析商品价格对销售总额的影响
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
tbdata['GMV'] = (tbdata['price_product']) * (tbdata['number_purchaser'])
sns.regplot(x="price_product", y="GMV", data=tbdata, color='purple')
plt.title('商品价格对销售总额的影响')
plt.show()
# TODO 3.分析不同省份的店铺数量分布
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(8, 4))
province = tbdata['address_store']
province.value_counts().plot(kind='bar', color='purple')
plt.xticks(rotation=90)
plt.xlabel('省份')
plt.ylabel('店铺数量')
plt.title('不同省份的店铺数量分布')
plt.show()
# TODO 4.直观地表示价格、省份、销量三者之间的关系（这里采用三维绘图表示三者关系）
x, y = np.mgrid[-2:2:20j, -2:2:20j]
z = x * np.exp(-x ** 2 - y ** 2)
ax = plt.subplot(111, projection='3d')
ax.plot_surface(x, y, z, rstride=2, cstride=1, cmap=plt.cm.Blues_r)
ax.set_xlabel("price_product")
ax.set_ylabel("address_store")
ax.set_zlabel("number_purchaser")
plt.title('价格、省份、销量三者之间的关系')
plt.show()
在程序运行的时候，在最后的数据建模分析的时候出现了错误：
TypeError: cannot convert the series to <class 'int'>这个错误。网上查了python报TypeError: cannot convert the series to - 极客分享
这篇中说：可能是出现了空值，这个空值也是很特殊，既不是null也不是none。然后我翻了我的数据库，发现爬取的数据，极个别商品没有商品价格、商品没有购买人数。这就导致我在计算总销售额的时候出现了这个错误
所以在对爬取数据存入数据库的时候，对xpath解析得到的：商品价格price、购买人数deal进行判定：当他们是 '' 的时候，我赋值一个0给它们。
if price == '':
price = 0
if deal == '':
deal = 0
此时爬取的数据进行分析结果如图：
版权归原作者 Packbacker_s 所有， 如有侵权，请联系我们删除。