怎么用Python爬取淘宝上的粽子数据并进行分析

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