python采集当当网商品数据信息并作可视化效果

前言

嗨喽~大家好呀，这里是魔王呐 ❤ ~!

看了标题，大家应该都知道我们本期的目的了

没错！就是采集当当网数据并作可视化

话不多说，我们抓紧开始正文吧~

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

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

采集代码展示:

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()

数据可视化代码：

1.导入模块

import pandas as pd
from pyecharts.charts import *
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()

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')

df.head(1)

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)

df.info()

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()

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

df.isnull().sum()

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()

df.describe()

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()

from pyecharts import options as opts
from pyecharts.charts import Bar


c = (
    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()

import pyecharts.options as opts
from pyecharts.charts import Pie

'''
Gallery 使用 pyecharts 1.1.0
参考地址: https://echarts.apache.org/examples/editor.html?c=pie-doughnut

目前无法实现的功能:

1、迷之颜色映射的问题
'''
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()

from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker
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()

尾语 💝

要成功，先发疯，下定决心往前冲！

学习是需要长期坚持的，一步一个脚印地走向未来！

未来的你一定会感谢今天学习的你。

—— 心灵鸡汤

本文章到这里就结束啦~感兴趣的小伙伴可以复制代码去试试哦 😝

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。