Python采集商品数据信息，做数据可视化分析，又是对数据分析上心的一天

news/2024/5/4 20:15:04/文章来源:https://blog.csdn.net/yxczsz/article/details/129796367

前言

环境使用

在开始之前，安装好我们的代码编辑器和环境是非常重要的

Python 3.8
pycharm --> 编辑器
jupyter notebook --> 数据分析编辑器

模块使用

requests >>> pip install requests 数据请求
parsel >>> pip install parsel 数据解析
csv <表格文件> 内置模块保存数据

安装第三方模块方法：win + R 输入cmd 输入安装命令 pip install 模块名

(如果你觉得安装速度比较慢, 你可以切换国内镜像源)

案例基本思路

明确需求 <完成>
明确采集的网站是什么?
明确采集的数据是什么?
发送请求, 模拟浏览器对url地址发送请求
获取数据, 获取网页源代码
解析数据, 提取我们想要的数据内容 <书籍基本信息>
保存数据, 保存表格文件里面

请添加图片描述

需用到知识点:

基础知识点:

open文件操作保存
for循环
字典创建
函数关键传参
print输出函数

采集知识点:

requests简单使用
parsel css选择器
csv 数据持久化

代码展示

完整源码文末名片领取

导入模块

# 导入数据请求模块 --> 第三方模块, 需要安装 pip install requests
import requests
# 导入数据解析模块 --> 第三方模块, 需要安装 pip install parsel
import parsel
# 导入csv模块
import csv

采集多页

for page in range(1, 26):# 请求链接url = f'http://*****.com/books/bestsellers/01.00.00.00.00.00-recent7-0-0-1-{page}'

伪装浏览器

headers = {# User-Agent 表示浏览器基本身份信息'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
}

发送请求

response = requests.get(url=url, headers=headers)
print(response)

<Response [200]> 响应对象

Response中文意思就是响应

<> 表示对象 200 状态码表示请求成功

把获取下来html字符串数据<response.text>, 转成可解析对象

selector = parsel.Selector(response.text)

返回列表, 列表里面元素都是选择器对象 <每一个li标签的对象>

lis = selector.css('.bang_list_mode li')

for循环遍历, 把列表里面元素一个一个提取出来

提取数据具体内容：

标题价格出版社…

    for li in lis:title = li.css('.name a::attr(title)').get()  # 标题comment = li.css('.star a::text').get()  # 评论recommend = li.css('.tuijian::text').get()  # 推荐writer = li.css('.publisher_info a::attr(title)').get()  # 作者date = li.css('.publisher_info span::text').get()  # 日期publisher = li.css('div:nth-child(6) a::text').get()  # 出版社price_n = li.css('.price .price_n::text').get()  # 售价price_r = li.css('.price .price_r::text').get()  # 原价price_s = li.css('.price .price_s::text').get()  # 折扣price_e = li.css('.price_e .price_n::text').get()  # 电子书href = li.css('.name a::attr(href)').get()  # 详情页dit = {'标题': title,'评论': comment,'推荐': recommend,'作者': writer,'日期': date,'出版社': publisher,'售价': price_n,'原价': price_r,'折扣': price_s,'电子书': price_e,'详情页': href,}csv_writer.writerow(dit)# print(title, comment, recommend, writer, date, publisher, price_n, price_r, price_s, price_e, href)print(dit)

创建文件

f = open('书籍25.csv', mode='a', encoding='utf-8', newline='')
csv_writer = csv.DictWriter(f, fieldnames=['标题','评论','推荐','作者','日期','出版社','售价','原价','折扣','电子书','详情页',
])
csv_writer.writeheader()

请添加图片描述

数据可视化代码：

源码领取方式请看代码中数字

1.导入模块

import pandas as pd
from pyecharts.charts import *
690643772 ### 源码领取
from pyecharts.globals import ThemeType#设定主题
from pyecharts.commons.utils import JsCode
import pyecharts.options as opts

2.导入数据

df = pd.read_csv('data.csv', encoding='utf-8', engine='python')
df.head()

请添加图片描述

3.数据处理

df['书名'] = df['书名'].apply(lambda x:x.split('（')[0])
df.head()

df['书籍简介'] = df['书名'].str.extract('.*?（(.*?)）')

df['书籍简介'].fillna('无', inplace=True)

df.head(1)

提取评论数

data = df.apply(lambda x:x['评论'].split('条评论')[0], axis=1)
df['评论数'] = data.astype('int64')

原价、售价、电子书价格数值化

df['原价'] = df['原价'].str.replace('¥', '')
df['售价'] = df['售价'].str.replace('¥', '')
df['电子书价格'] = df['电子书'].str.replace('¥', '')
df.head(1)

请添加图片描述

df['原价'] = df['原价'].str.replace(',', '').astype('float64')
df['售价'] = df['售价'].str.replace(',', '').astype('float64')

选择需要用到的列

df = df[['书名','书籍简介','评论','作者','日期','出版社','原价','售价','电子书']]
df.head(1)

缺失值

df.isnull().sum()

请添加图片描述

df['作者'].fillna('未知', inplace=True)
df['出版社'].fillna('未知', inplace=True)

请添加图片描述

电子书价格列额外处理

 df['电子书'] = df['电子书'].str.replace(',', '').replace('¥', '').astype('float64')

df['电子书'].fillna('无电子书版本', inplace=True)

重复值

df.duplicated().sum()

df.info()

请添加图片描述

4. 可视化

电子书版本占比

per = df['电子书'].value_counts()['无电子书版本']/len(df)

c = (Liquid().add("lq", [1-per], is_outline_show=False).set_global_opts(title_opts=opts.TitleOpts(title="电子书版本占比"))
)
c.render_notebook()

请添加图片描述

from pyecharts import options as opts
from pyecharts.charts import Barc = (Bar().add_xaxis(x).add_yaxis(','.join(x), y).set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),title_opts=opts.TitleOpts(title="", subtitle=""),)
)
c.render_notebook()

请添加图片描述

import pyecharts.options as opts
from pyecharts.charts import Pie
690643772 ### 源码领取
content = df['出版社'].value_counts()
# x = content.index.tolist()[:10]
# y = content.values.tolist()[:10]x_data = content.index.tolist()[:10]
y_data = content.values.tolist()[:10]
data_pair = [list(z) for z in zip(x_data, y_data)]
data_pair.sort(key=lambda x: x[1])c = (Pie(init_opts=opts.InitOpts(width="1600px", height="800px", bg_color="#2c343c")).add(series_name="访问来源",data_pair=data_pair,rosetype="radius",radius="55%",center=["50%", "50%"],label_opts=opts.LabelOpts(is_show=False, position="center"),).set_global_opts(title_opts=opts.TitleOpts(title="前10出版社, 书籍占比",pos_left="center",pos_top="20",title_textstyle_opts=opts.TextStyleOpts(color="#fff"),),legend_opts=opts.LegendOpts(is_show=False),).set_series_opts(tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"),label_opts=opts.LabelOpts(color="rgba(255, 255, 255, 0.3)"),))
c.render_notebook()

请添加图片描述

from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker
690643772 ### 源码领取
content = df['出版社'].value_counts()  # 读取出版社的数据
x_data = content.index.tolist()[:10]
y_data = content.values.tolist()[:10]
data_pair = [list(z) for z in zip(x_data, y_data)]
data_pair
# x_data = content.index.tolist()[:10]  # 
# y_data = content.values.tolist()[:10]
# data_pair = [list(z) for z in zip(x_data, y_data)]
c = (Pie().add("",data_pair,radius=["40%", "75%"],).set_global_opts(title_opts=opts.TitleOpts(title="出版社前10名"),legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")))
c.render_notebook()