淘宝商品数据集数据分析#爬取商品信息#采集数据分析#API接口详细步骤展示♣

大数据时代，

数据收集不仅是科学研究的基石，

更是企业决策的关键。

然而，如何高效地收集数据

成了摆在我们面前的一项重要任务。

本文将为你揭示，

一系列实时数据采集方法，

助你在信息洪流中，

找到真正有价值的信息。

01 数据采集

数据采集是数据可视化分析的第一步，也是最基础的一步，数据采集的数量和质量越高，后面分析的准确的也就越高，我们来看一下淘宝网的数据该如何爬取。

淘宝网站是一个动态加载的网站，我们之前可以采用解析接口或者用Selenium自动化测试工具来爬取数据，但是现在淘宝对接口进行了加密，使我们很难分析出来其中的规律，同时淘宝也对Selenium进行了反爬限制，所以我们要换种思路来进行数据获取。

打开开发者模式，开始对网页进行观察后发现，淘宝商品的数据竟然在源网页中存储着。

​

我翻了几页网页之后发现，每翻一页，网页的params参数中的s参数就会增加44(初始值是0)。

​

经过以上分析，现在我们就可以开始构造爬虫程序了。

01 导入爬虫使用的库

import requests import re import time import random import openpyxl

02 发起请求

for page in range(1,101): params = ( ('q', '棉袄'), ('imgfile', ''), ('commend', 'all'), ('ssid', 's5-e'), ('search_type', 'item'), ('sourceId', 'tb.index'), ('spm', 'a21bo.jianhua.201856-taobao-item.2'), ('ie', 'utf8'), ('initiative_id', 'tbindexz_20170306'), ('hintq', '1'), ('s', str(page*44)), ) response = requests.get(url, params=params)

03 数据存储

a = 0 b = 0 for i in range(44): try: sheet.append([dianpumingcheng[i],shangpinming[i],float(jiage[i]),fahuodi[i],fukuanrenshu[i]]) except: a+=1 if a>30: print(f"第{page}页数据未爬取......") wb.save('棉袄.xlsx') # 把xxx改成你想要的存储的名称即可 b = 1 break if b == 1: break print(f"已爬取完第{page}页数据......") time.sleep(random.randint(3,5)) print(f'共爬取{page}页数据......')

02 数据清洗

数据采集后，要对其进行清洗，剔除脏数据，用以提高分析的准确性。

01 导入商品数据

用pandas读取爬取后的商品数据并预览。

import pandas as pd df = pd.read_excel('棉袄.xlsx',names=['店铺名称','商品名','价格','产地','付款人数']) print(df.head())

​

02 删除重复数据

df.drop_duplicates()

删除重复数据后，还有2008条数据。

​

03 数据类型转换

我们发现付款人数是字符串类型，我们需要将其转换成整数类型。

wb = openpyxl.load_workbook('棉袄.xlsx') int_list = [] sheet = wb['Sheet'] for i in range(2,2008): str = sheet[f'E{i}'].value if'万+'in str: int_list.append(int(int(str[:-2])*random.uniform(1,2)*10000)) elif'+'in str: int_list.append(int(int(str[:-1])+random.random()*1000)) else: int_list.append(int(str)) for i in range(2,2008): sheet.cell(i,5).value = int_list[i-2] wb.save('3.xlsx')

04 查看数据类型

查看字段类型和缺失值情况，符合分析需要，无需另做处理。

​

03 可视化分析

我们来对这2008家棉袄商品数据进行可视化分析。可视化图是由Python、Tableau和Excel共同绘制而来。

01 在售棉袄特点

通过对棉袄的商品名称进行词云图绘制，我们发现，今年棉袄的样式以宽松、潮流、韩版、短款类居多。

​

制作代码如下：

from imageio import imread import jieba from wordcloud import WordCloud, STOPWORDS with open("1.txt",'r',encoding='utf-8') as f: job_title_1 = f.read() contents_cut_job_title = jieba.cut(job_title_1) contents_list_job_title = " ".join(contents_cut_job_title) wc = WordCloud(stopwords=STOPWORDS.add("一个"), collocations=False, background_color="white", font_path=r"K:\msyh.ttc", width=400, height=300, random_state=42, mask=imread('棉袄.jpg', pilmode="RGB") ) wc.generate(contents_list_job_title) wc.to_file("推荐语.png")

02 各省产量分布图

通过对各商品的产地数据进行统计并绘制了全国地图，我们发现浙江、广东和福建这三个地方生产棉袄最多，分别是914家、261家和203家。

制作代码如下：

import openpyxl from collections import Counter from pyecharts import Map wb = openpyxl.load_workbook('棉袄.xlsx') sheet = wb['Sheet'] a = [] for i in range(2,1960): D = sheet[f'D{i}'] a.append(D.value) province_distribution = dict(Counter(a)) provice = list(province_distribution.keys()) values = list(province_distribution.values()) map = Map("中国地图",width=1200, height=600) map.add("", provice, values, visual_range=[0, 50], maptype='china', is_visualmap=True, visual_text_color='#000',is_label_show=True) map.render(path="地图.html")

我们进一步对浙江省的产地数据进行分析发现，杭州的棉袄商家最多，占全省的40%。

 

03 棉袄价格区间分布

我们对棉袄价格以100为分点，进行可视化后发现，价格在100-200的棉袄商品最多，有869家，其次是价格在201-300之间的，有501家。看来棉袄的价格还是相对便宜的~

04 棉袄月销量top20商家

销量最高的竟然不是旗舰店，是一个李广森的自制时尚女装店，打开她们家的店铺看了看，感觉还不错，可以给对象入手一套~