Python 002- 爬虫爬取淘宝上耳机的信息，python002-,参照：https:/

Python 002- 爬虫爬取淘宝上耳机的信息，python002-,参照：https:/

参照：https://mp.weixin.qq.com/s/gwzym3Za-qQAiEnVP2eYjQ

一般看源码就可以解决问题啦

  1 #-*- coding:utf-8 -*-  2 import re  3 import time  4 import requests  5 import pandas as pd  6 from retrying import retry  7 from concurrent.futures import ThreadPoolExecutor  8    9 start = time.clock()     #计时-开始 10   11 #plist 为1-100页的URL的编号num  12 plist = []            13 for i in range(1,101):    14     #淘宝的页数都是以下面这种形式来结束的，所以使用44 15     #https://s.taobao.com/search?q=耳机&xxx&s=44 16     #https://s.taobao.com/search?q=耳机&xxx&s=88 17     j = 44*(i-1) 18     plist.append(j) 19   20 listno = plist 21 datatmsp = pd.DataFrame(columns=[]) 22   23 while True:  24    @retry(stop_max_attempt_number = 8)     #设置最大重试次数 25    def network_programming(num):    26          #将耳机转换为汉字编码%E8%80%B3%E6%9C%BA 27       url=‘https://s.taobao.com/search?q=%E8%80%B3%E6%9C%BA&ssid=s5-e  28       &search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1  29       &ie=utf8&initiative_id=tbindexz_20170306&fs=1&filter_tianmao=tmall  30       &sort=sale-desc&filter=reserve_price%5B50%2C%5D&bcoffset=0  31       &p4ppushleft=%2C44&s=‘ + str(num)   32       web = requests.get(url, headers=headers)      33       web.encoding = ‘utf-8‘ 34       return web    35   36    #多线程        37    def multithreading():      38       number = listno        #每次爬取未爬取成功的页 39       event = [] 40      41       with ThreadPoolExecutor(max_workers=10) as executor: 42          for result in executor.map(network_programming, 43                                     number, chunksize=10): 44              event.append(result)    45       return event 46      47    #隐藏：修改headers参数 48    #因为淘宝可能会出现反爬虫，所以使用cookie，构建head是很有必要的。尽量把自己伪装成一个浏览器。   49    headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64)  50             AppleWebKit/537.36(KHTML, like Gecko)   51             Chrome/55.0.2883.87 Safari/537.36‘} 52      53    #多线程从json获取数据 54    listpg = [] 55    event = multithreading() 56    for i in event: 57       json = re.findall(‘"auctions":(.*?),"recommendAuctions"‘, i.text) 58       if len(json): 59          table = pd.read_json(json[0])       60          datatmsp = pd.concat([datatmsp,table],axis=0,ignore_index=True)   61            62          pg = re.findall(‘"pageNum":(.*?),"p4pbottom_up"‘,i.text)[0] 63          listpg.append(pg)      #记入每一次爬取成功的页码 64      65    lists = [] 66    for a in listpg:    67        b = 44*(int(a)-1) 68        lists.append(b)     #将爬取成功的页码转为url中的num值 69      70    listn = listno 71   72    #每次循环将爬取失败的数组清空 73    listno = []       #将本次爬取失败的页记入列表中 用于循环爬取 74    for p in listn: 75        if p not in lists: 76            listno.append(p) 77              78    if len(listno) == 0:     #当未爬取页数为0时 终止循环！ 79       break 80         81 datatmsp.to_excel(‘datatmsp1.xls‘, index=False)    #导出数据为Excel 82   83 end = time.clock()    #计时-结束 84 print ("爬取完成 用时：", end - start,‘s‘) 85  86  87 ‘‘‘ 88 二、数据清洗、处理： (此步骤也可以在Excel中完成 再读入数据) 89 ‘‘‘ 90 datatmsp = pd.read_excel(‘datatmsp1.xls‘)     #读取爬取的数据  91 #datatmsp.shape    92    93 # 数据缺失值分析： 94 # 安装模块：pip3 install missingno 95 import missingno as msno 96 msno.bar(datatmsp.sample(len(datatmsp)),figsize=(10,4))    97   98 # 删除缺失值过半的列 99 half_count = len(datatmsp)/2100 datatmsp = datatmsp.dropna(thresh = half_count, axis=1)101  102 # 删除重复行：103 datatmsp = datatmsp.drop_duplicates()   104 105 ‘‘‘106 说明：只取了 item_loc, raw_title, view_price, view_sales 这4列数据，107 上面的item_loc, raw_title, view_price, view_sales 都是从网页源代码中获取的标签信息108 主要对 标题、区域、价格、销量 进行分析，代码如下: 109 ‘‘‘110 # 取出这4列数据：111 data = datatmsp[[‘item_loc‘,‘raw_title‘,‘view_price‘,‘view_sales‘]]   112 data.head()    #默认查看前5行数据113  114 # 对 item_loc 列的省份和城市 进行拆分 得出 province 和 city 两列:115 # 生成province列：116 # lambda表达式类似于一个没有声明的函数117 data[‘province‘] = data.item_loc.apply(lambda x: x.split()[0])118  119 # 注：因直辖市的省份和城市相同 这里根据字符长度进行判断： 120 data[‘city‘] = data.item_loc.apply(lambda x: x.split()[0]   121                                 if len(x) < 4 else x.split()[1])122  123 # 提取 view_sales 列中的数字，得到 sales 列：                                                124 #data[‘sales‘] = data.view_sales.apply(lambda x: x.split(‘人‘)[0])  125  126 # 查看各列数据类型127 data.dtypes   128  129 # 将数据类型进行转换                                             130 #data[‘sales‘] = data.sales.astype(‘int‘) 131 132 list_col = [‘province‘,‘city‘]133 for i in  list_col:134     data[i] = data[i].astype(‘category‘) 135  136 # 删除不用的列：137 data = data.drop([‘item_loc‘,‘view_sales‘], axis=1) 138  139 140 ‘‘‘141 三、数据挖掘与分析：142  143 【1】. 对 raw_title 列标题进行文本分析：144    使用结巴分词器，安装模块pip3 install jieba145 ‘‘‘                 146 title = data.raw_title.values.tolist()    #转为list147  148 # 对每个标题进行分词：  使用lcut函数149 import jieba150 title_s = []151 for line in title:     152    title_cut = jieba.lcut(line)    153    title_s.append(title_cut)154 155 ‘‘‘156 对 title_s（list of list 格式）中的每个list的元素（str）进行过滤 剔除不需要的词语，157 即 把停用词表stopwords中有的词语都剔除掉：158 ‘‘‘159  160 # 导入停用词表：161 stopwords = pd.read_excel(‘stopwords.xlsx‘)        162 stopwords = stopwords.stopword.values.tolist()      163  164 # 剔除停用词：165 title_clean = []166 for line in title_s:167    line_clean = []168    for word in line:169       if word not in stopwords:170          line_clean.append(word)171    title_clean.append(line_clean)172  173 ‘‘‘174 因为下面要统计每个词语的个数，所以 为了准确性 这里对过滤后的数据 title_clean 中的每个list的元素进行去重，175 即 每个标题被分割后的词语唯一。 176 ‘‘‘177 title_clean_dist = []  178 for line in title_clean:   179    line_dist = []180    for word in line:181       if word not in line_dist:182          line_dist.append(word)183    title_clean_dist.append(line_dist)184  185  # 将 title_clean_dist 转化为一个list: allwords_clean_dist 186 allwords_clean_dist = []187 for line in title_clean_dist:188    for word in line:189       allwords_clean_dist.append(word)190  191  192 # 把列表 allwords_clean_dist 转为数据框： 193 df_allwords_clean_dist = pd.DataFrame({‘allwords‘: allwords_clean_dist})194  195  196 # 对过滤_去重的词语 进行分类汇总：197 word_count = df_allwords_clean_dist.allwords.value_counts().reset_index()    198 word_count.columns = [‘word‘,‘count‘]      #添加列名 199  200  201 ‘‘‘202 观察 word_count 表中的词语，发现jieba默认的词典 无法满足需求： 203 有的词语（如 可拆洗、不可拆洗等）却被cut，这里根据需求对词典加入新词204 （也可以直接在词典dict.txt里面增删，然后载入修改过的dict.txt）205 ‘‘‘206 add_words = pd.read_excel(‘add_words.xlsx‘)     #导入整理好的待添加词语207  208 # 添加词语： 209 for w in add_words.word:210    jieba.add_word(w , freq=1000)  211    212     213 #=======================================================================214 # 注：再将上面的 分词_过滤_去重_汇总 等代码执行一遍，得到新的 word_count表215 #=======================================================================216     217 #word_count.to_excel(‘word_count.xlsx‘, index=False)    #导出数据218  219 ‘‘‘220 词云可视化： 见下<图2>221 安装模块 wordcloud  222 方法：pip3 install wordcloud  223 ‘‘‘224 from wordcloud import WordCloud225 import matplotlib.pyplot as plt226 from scipy.misc import imread    227 plt.figure(figsize=(20,10))   228  229 pic = imread("shafa.png")   #读取图片,自定义‘沙发’形状230 w_c = WordCloud(font_path="semplice.ttf",background_color="white", 231                 mask=pic, max_font_size=60, margin=1)232 wc = w_c.fit_words({x[0]:x[1] for x in word_count.head(100).values})    233  234 plt.imshow(wc, interpolation=‘bilinear‘) 235 plt.axis("off")236 plt.show()237  238 ‘‘‘239 以上注释：240 shafa.png 是透明背景图 将该图放在Python的项目路径下！241 "./data/simhei.ttf"   设置字体242 background_color   默认是黑色 这里设置成白色243 head(100)   取前100个词进行可视化！ 244 max_font_size　 字体最大字号 245 interpolation=‘bilinear‘  图优化   246 "off"   去除边框247 ‘‘‘248 249 ‘‘‘250 不同省份的商品数量分布：251 ‘‘‘ 252 plt.figure(figsize=(8,4))253 data.province.value_counts().plot(kind=‘bar‘,color=‘purple‘)254 plt.xticks(rotation= 0)       255 plt.xlabel(‘省份‘)256 plt.ylabel(‘数量‘)257 plt.title(‘不同省份的商品数量分布‘)258 plt.show()

得到的结果：

Python 002- 爬虫爬取淘宝上耳机的信息