一、抓取数据
1、电商商城定制开发抓取数据的意义
电商商城定制开发对电商来说,电商商城定制开发抓取某些数据,电商商城定制开发再进行分析,电商商城定制开发可以有效地反映出数据电商商城定制开发在某个区间内变化情况。电商商城定制开发数据受某些因素而发生电商商城定制开发巨大的影响,电商商城定制开发也可以借助分析的数据电商商城定制开发来规划相关项目的后续发展。因此,电商商城定制开发如果能利用网页爬取数电商商城定制开发据技术获取数据并对各电商商城定制开发种数据进行统计分析,电商商城定制开发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
- """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
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: