Python 002- 爬虫爬取淘宝上耳机的信息

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

一般看源码就可以解决问题啦

 #-*- coding:utf-8 -*-
 import re
 import time
 import requests
 import pandas as pd
 from retrying import retry
 from concurrent.futures import ThreadPoolExecutor

 start = time.clock()     #计时-开始

 #plist 为1-100页的URL的编号num
 plist = []
 for i in range(1,101):
     #淘宝的页数都是以下面这种形式来结束的，所以使用44
     #https://s.taobao.com/search?q=耳机&xxx&s=44
     #https://s.taobao.com/search?q=耳机&xxx&s=88
     j = 44*(i-1)
     plist.append(j)

 listno = plist
 datatmsp = pd.DataFrame(columns=[])

 while True:
    @retry(stop_max_attempt_number = 8)     #设置最大重试次数
    def network_programming(num):
          #将耳机转换为汉字编码%E8%80%B3%E6%9C%BA
       url='https://s.taobao.com/search?q=%E8%80%B3%E6%9C%BA&ssid=s5-e \
       &search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1 \
       &ie=utf8&initiative_id=tbindexz_20170306&fs=1&filter_tianmao=tmall \
       &sort=sale-desc&filter=reserve_price%5B50%2C%5D&bcoffset=0 \
       &p4ppushleft=%2C44&s=' + str(num)
       web = requests.get(url, headers=headers)
       web.encoding = 'utf-8'
       return web   

    #多线程
    def multithreading():
       number = listno        #每次爬取未爬取成功的页
       event = []

       with ThreadPoolExecutor(max_workers=10) as executor:
          for result in executor.map(network_programming,
                                     number, chunksize=10):
              event.append(result)
       return event

    #隐藏：修改headers参数
    #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。
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) \
             AppleWebKit/537.36(KHTML, like Gecko)  \
             Chrome/55.0.2883.87 Safari/537.36'}

    #多线程从json获取数据
    listpg = []
    event = multithreading()
    for i in event:
       json = re.findall('"auctions":(.*?),"recommendAuctions"', i.text)
       if len(json):
          table = pd.read_json(json[0])
          datatmsp = pd.concat([datatmsp,table],axis=0,ignore_index=True)  

          pg = re.findall('"pageNum":(.*?),"p4pbottom_up"',i.text)[0]
          listpg.append(pg)      #记入每一次爬取成功的页码

    lists = []
    for a in listpg:
        b = 44*(int(a)-1)
        lists.append(b)     #将爬取成功的页码转为url中的num值

    listn = listno

    #每次循环将爬取失败的数组清空
    listno = []       #将本次爬取失败的页记入列表中 用于循环爬取
    for p in listn:
        if p not in lists:
            listno.append(p)

    if len(listno) == 0:     #当未爬取页数为0时 终止循环！
       break

 datatmsp.to_excel('datatmsp1.xls', index=False)    #导出数据为Excel

 end = time.clock()    #计时-结束
 print ("爬取完成 用时：", end - start,'s')

 '''
 二、数据清洗、处理： (此步骤也可以在Excel中完成 再读入数据)
 '''
 datatmsp = pd.read_excel('datatmsp1.xls')     #读取爬取的数据
 #datatmsp.shape   

 # 数据缺失值分析：
 # 安装模块：pip3 install missingno
 import missingno as msno
 msno.bar(datatmsp.sample(len(datatmsp)),figsize=(10,4))   

 # 删除缺失值过半的列
 half_count = len(datatmsp)/2
 datatmsp = datatmsp.dropna(thresh = half_count, axis=1)

 # 删除重复行：
 datatmsp = datatmsp.drop_duplicates()   

 '''
 说明：只取了 item_loc, raw_title, view_price, view_sales 这4列数据，
 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
 主要对 标题、区域、价格、销量 进行分析，代码如下:
 '''
 # 取出这4列数据：
 data = datatmsp[['item_loc','raw_title','view_price','view_sales']]
 data.head()    #默认查看前5行数据

 # 对 item_loc 列的省份和城市 进行拆分 得出 province 和 city 两列:
 # 生成province列：
 # lambda表达式类似于一个没有声明的函数
 data['province'] = data.item_loc.apply(lambda x: x.split()[0])

 # 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：
 data['city'] = data.item_loc.apply(lambda x: x.split()[0]   \
                                 if len(x) < 4 else x.split()[1])

 # 提取 view_sales 列中的数字，得到 sales 列：
 #data['sales'] = data.view_sales.apply(lambda x: x.split('人')[0])  

 # 查看各列数据类型
 data.dtypes   

 # 将数据类型进行转换
 #data['sales'] = data.sales.astype('int') 

 list_col = ['province','city']
 for i in  list_col:
     data[i] = data[i].astype('category') 

 # 删除不用的列：
 data = data.drop(['item_loc','view_sales'], axis=1) 

 '''
 三、数据挖掘与分析：

 【1】. 对 raw_title 列标题进行文本分析：
    使用结巴分词器，安装模块pip3 install jieba
 '''
 title = data.raw_title.values.tolist()    #转为list

 # 对每个标题进行分词：  使用lcut函数
 import jieba
 title_s = []
 for line in title:
    title_cut = jieba.lcut(line)
    title_s.append(title_cut)

 '''
 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，
 即 把停用词表stopwords中有的词语都剔除掉：
 '''

 # 导入停用词表：
 stopwords = pd.read_excel('stopwords.xlsx')
 stopwords = stopwords.stopword.values.tolist()      

 # 剔除停用词：
 title_clean = []
 for line in title_s:
    line_clean = []
    for word in line:
       if word not in stopwords:
          line_clean.append(word)
    title_clean.append(line_clean)

 '''
 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，
 即 每个标题被分割后的词语唯一。
 '''
 title_clean_dist = []
 for line in title_clean:
    line_dist = []
    for word in line:
       if word not in line_dist:
          line_dist.append(word)
    title_clean_dist.append(line_dist)

  # 将 title_clean_dist 转化为一个list: allwords_clean_dist
 allwords_clean_dist = []
 for line in title_clean_dist:
    for word in line:
       allwords_clean_dist.append(word)

 # 把列表 allwords_clean_dist 转为数据框：
 df_allwords_clean_dist = pd.DataFrame({'allwords': allwords_clean_dist})

 # 对过滤_去重的词语 进行分类汇总：
 word_count = df_allwords_clean_dist.allwords.value_counts().reset_index()
 word_count.columns = ['word','count']      #添加列名 

 '''
 观察 word_count 表中的词语，发现jieba默认的词典 无法满足需求：
 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
 （也可以直接在词典dict.txt里面增删，然后载入修改过的dict.txt）
 '''
 add_words = pd.read_excel('add_words.xlsx')     #导入整理好的待添加词语

 # 添加词语：
 for w in add_words.word:
    jieba.add_word(w , freq=1000)  

 #=======================================================================
 # 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
 #=======================================================================

 #word_count.to_excel('word_count.xlsx', index=False)    #导出数据

 '''
 词云可视化： 见下<图2>
 安装模块 wordcloud
 方法：pip3 install wordcloud
 '''
 from wordcloud import WordCloud
 import matplotlib.pyplot as plt
 from scipy.misc import imread
 plt.figure(figsize=(20,10))   

 pic = imread("shafa.png")   #读取图片,自定义‘沙发’形状
 w_c = WordCloud(font_path="semplice.ttf",background_color="white",
                 mask=pic, max_font_size=60, margin=1)
 wc = w_c.fit_words({x[0]:x[1] for x in word_count.head(100).values})    

 plt.imshow(wc, interpolation='bilinear')
 plt.axis("off")
 plt.show()

 '''
 以上注释：
 shafa.png 是透明背景图 将该图放在Python的项目路径下！
 "./data/simhei.ttf"   设置字体
 background_color   默认是黑色 这里设置成白色
 head(100)   取前100个词进行可视化！
 max_font_size　 字体最大字号
 interpolation='bilinear'  图优化
 "off"   去除边框
 '''

 '''
 不同省份的商品数量分布：
 '''
 plt.figure(figsize=(8,4))
 data.province.value_counts().plot(kind='bar',color='purple')
 plt.xticks(rotation= 0)
 plt.xlabel('省份')
 plt.ylabel('数量')
 plt.title('不同省份的商品数量分布')
 plt.show()

得到的结果：