-
爬取思路: 先针对某一页数据的一级页面做一个解析,然后再进行二级页面做一个解析,最后再进行翻页操作;
-
爬取字段: 分别是粽子的名称(标题)、价格、品牌(店铺)、类别(口味);
-
使用工具: requests+lxml+pandas+time+re+pyecharts
-
网站解析方式: xpath
最终的效果如下:
数据爬取
京东网站,一般是动态加载的,也就是说,采用一般方式只能爬取到某个页面的前30个数据(一个页面一共60个数据)。
基于本文,我仅用最基本的方法,爬取了每个页面的前30条数据(如果大家有兴趣,可以 自行下去爬取所有的数据)。
那么,本文究竟爬取了哪些字段呢?我给大家做一个展示,大家有兴趣额,可以爬取更多的字段,做更为详细的分析。
下面为大家展示爬虫代码:
import pandas as pd
import requests
from lxml import etree
import chardet
import time
import re
def get_CI(url):
headers = {‘User-Agent’:‘Mozilla/5.0 (Windows NT 6.1; Win64; X64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36’}
rqg = requests.get(url,headers=headers)
rqg.encoding = chardet.detect(rqg.content)[‘encoding’]
html = etree.HTML(rqg.text)
价格
p_price = html.xpath(‘//div/div[@class=“p-price”]/strong/i/text()’)
名称
p_name = html.xpath(‘//div/div[@class=“p-name p-name-type-2”]/a/em’)
p_name = [str(p_name[i].xpath(‘string(.)’)) for i in range(len(p_name))]
深层url
deep_ur1 = html.xpath(‘//div/div[@class=“p-name p-name-type-2”]/a/@href’)
deep_url = [“http:” + i for i in deep_ur1]
从这里开始,我们获取“二级页面”的信息
brands_list = []
kinds_list = []
for i in deep_url:
rqg = requests.get(i,headers=headers)
rqg.encoding = chardet.detect(rqg.content)[‘encoding’]
html = etree.HTML(rqg.text)
品牌
brands = html.xpath(‘//div/div[@class=“ETab”]//ul[@id=“parameter-brand”]/li/@title’)
brands_list.append(brands)
类别
kinds = re.findall(‘>类别:(.*?)’,rqg.text)
kinds_list.append(kinds)
data = pd.DataFrame({‘名称’:p_name,‘价格’:p_price,‘品牌’:brands_list,‘类别’:kinds_list})
return(data)
x = “https://search.jd.com/Search?keyword=%E7%B2%BD%E5%AD%90&qrst=1&wq=%E7%B2%BD%E5%AD%90&stock=1&page=”
url_list = [x + str(i) for i in range(1,200,2)]
res = pd.DataFrame(columns=[‘名称’,‘价格’,‘品牌’,‘类别’])
这里进行“翻页”操作
for url in url_list:
res0 = get_CI(url)
res = pd.concat([res,res0])
time.sleep(3)
保存数据
res.to_csv(‘aliang.csv’,encoding=‘utf_8_sig’)
最终爬取到的数据,长这样。
数据清洗
从上图可以看到,整个数据算是很整齐的,不是特别乱,我们只做一些简单的操作即可。
先使用pandas库,来读取数据。
import pandas as pd
df = pd.read_excel(“粽子.xlsx”,index_col=False)
df.head()
结果如下:
我们分别针对 “品牌”、“类别‘两个字段,去掉中括号。
df[“品牌”] = df[“品牌”].apply(lambda x: x[1:-1])
df[“类别”] = df[“类别”].apply(lambda x: x[1:-1])
df.head()
结果如下:
① 粽子品牌排名前10的店铺
df[“品牌”].value_counts()[:10]
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:
① 2000多本Python电子书(主流和经典的书籍应该都有了)
② Python标准库资料(最全中文版)
③ 项目源码(四五十个有趣且经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)
G9nLmNzZG4ubmV0L3poaWd1aWd1,size_16,color_FFFFFF,t_70)
感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:
① 2000多本Python电子书(主流和经典的书籍应该都有了)
② Python标准库资料(最全中文版)
③ 项目源码(四五十个有趣且经典的练手项目及源码)
④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)
⑤ Python学习路线图(告别不入流的学习)