今年，黄同学用Python爬取了某网站上面的 “粽子数据” 进行分析，看看有啥发现吧！本文就从数据爬取、数据清洗、数据可视化，三个方便，但你简单完成一个小型的数据分析项目，让你对知识能够有一个综合的运用。
整个思路如下：
爬取网页： https://www.jd.com/
爬取说明： 基于某网站，我们搜索网站“粽子”数据，大概有100页。我们爬取的字段，既有一级页面的相关信息，还有二级页面的部分信息；
爬取思路： 先针对某一页数据的一级页面做一个解析，然后再进行二级页面做一个解析，最后再进行翻页操作；
爬取字段： 分别是粽子的名称（标题）、价格、品牌（店铺）、类别（口味）；
使用工具： requests+lxml+pandas+time+re+pyecharts
网站解析方式： xpath
最终的效果如下：
数据爬取
该网站，一般是动态加载的，也就是说，采用一般方式只能爬取到某个页面的前30个数据（一个页面一共60个数据）。
基于本文，我仅用最基本的方法，爬取了每个页面的前30条数据（如果大家有兴趣，可以 自行下去爬取所有的数据）。
那么，本文究竟爬取了哪些字段呢?我给大家做一个展示，大家有兴趣额，可以爬取更多的字段，做更为详细的分析。
下面为大家展示爬虫代码：
import pandas as pd import requests from lxml import etree import chardet import time import re def get_CI(url): headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; X64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36'} rqg = requests.get(url,headers=headers) rqg.encoding = chardet.detect(rqg.content)['encoding'] html = etree.HTML(rqg.text) # 价格 p_price = html.xpath('//div/div[@class="p-price"]/strong/i/text()') # 名称 p_name = html.xpath('//div/div[@class="p-name p-name-type-2"]/a/em') p_name = [str(p_name[i].xpath('string(.)')) for i in range(len(p_name))] # 深层url deep_ur1 = html.xpath('//div/div[@class="p-name p-name-type-2"]/a/@href') deep_url = ["http:" + i for i in deep_ur1] # 从这里开始，我们获取“二级页面”的信息 brands_list = [] kinds_list = [] for i in deep_url: rqg = requests.get(i,headers=headers) rqg.encoding = chardet.detect(rqg.content)['encoding'] html = etree.HTML(rqg.text) # 品牌 brands = html.xpath('//div/div[@class="ETab"]//ul[@id="parameter-brand"]/li/@title') brands_list.append(brands) # 类别 kinds = re.findall('>类别：(.*?)</li>',rqg.text) kinds_list.append(kinds) data = pd.DataFrame({'名称':p_name,'价格':p_price,'品牌':brands_list,'类别':kinds_list}) return(data) x = "https://search.jd.com/Search?keyword=%E7%B2%BD%E5%AD%90&qrst=1&wq=%E7%B2%BD%E5%AD%90&stock=1&page=" url_list = [x + str(i) for i in range(1,200,2)] res = pd.DataFrame(columns=['名称','价格','品牌','类别']) # 这里进行“翻页”操作 for url in url_list: res0 = get_CI(url) res = pd.concat([res,res0]) time.sleep(3) # 保存数据 res.to_csv('aliang.csv',encoding='utf_8_sig')
最终爬取到的数据，长这样。
数据清洗
从上图可以看到，整个数据算是很整齐的，不是特别乱，我们只做一些简单的操作即可。
先使用pandas库，来读取数据。
import pandas as pd df = pd.read_excel("粽子.xlsx",index_col=False) df.head()
结果如下：
我们分别针对 “品牌”、“类别‘两个字段，去掉中括号。
df["品牌"] = df["品牌"].apply(lambda x: x[1:-1]) df["类别"] = df["类别"].apply(lambda x: x[1:-1]) df.head()
结果如下：
① 粽子品牌排名前10的店铺
df["品牌"].value_counts()[:10]
结果如下：
② 粽子口味排名前5的味道
def func1(x): if x.find("甜") > 0: return "甜粽子" else: return x df["类别"] = df["类别"].apply(func1) df["类别"].value_counts()[1:6]
结果如下：
