Python爬虫+selenium——爬取淘宝商品信息和数据分析

Python爬虫+selenium——爬取淘宝商品信息和数据分析 浏览器驱动

点击下载chromedrive 。将下载的浏览器驱动文件chromedriver丢到Chrome浏览器目录中的Application文件夹下，配置Chrome浏览器位置到PATH环境。

需要用到的库

selenium库，time库，re库，csv库，json库，pandas库，matplotlib库，jieba库，wordcloud库

1.爬取显卡商品信息的效果图

2.相关 *** 作与代码  先找到搜索框并用selenium模拟点击（发现需要登录，我直接扫码登录，没有写模拟登录的过程）

结合网页源代码，用xpath获得商品数据

 

from selenium import webdriver
import time
import re
import csv
from selenium.webdriver.common.by import By
import json
#输入框，搜索按钮
def search_product():
    driver.find_element(By.XPATH,'//*[@id="q"]').send_keys(kw)
    driver.find_element(By.XPATH,'//*[@id="J_TSearchForm"]/div[1]/button').click()
    # 扫码登录
    # driver.find_element(By.XPATH,'//*[@id="login"]/div[1]/i').click()
    #阻止程序运行10s
    time.sleep(10)
    #得到查询的总页数
    token=driver.find_element(By.XPATH,'//*[@id="mainsrp-pager"]/div/div/div/div[1]').text
    token=int(re.compile('(d+)').search(token).group(1))
    return token


#页面滚动
def drop_down():
        js = "document.documentElement.scrollTop=10000"  # 下拉加载
        driver.execute_script(js)
        time.sleep(2)


#获得商品数据
def get_product():
    #//代表任意位置
    divs = driver.find_elements(By.XPATH,'//div[@]/div[@]')
    for div in divs:
       # div.find_element_by_xpath('.//a')被淘汰了
       #产品名字
       goods = div.find_element(By.XPATH,'.//div[@]').text
       #价格
       price = div.find_element(By.XPATH,'.//div[@]/strong').text + '元'
       #产品图片
       image = div.find_element(By.XPATH,'.//div[@]/a/img').get_attribute('src')
       #交易量
       deal = div.find_element(By.XPATH,'.//div[@]').text
       #店家名字
       name = div.find_element(By.XPATH,'.//div[@]/a/span[2]').text
       data_dict = {}  # 定义一个字典存储数据
       data_dict["goods"] = goods
       data_dict["price"] = price
       data_dict["image"] = image
       data_dict["deal"] = deal
       data_dict["name"] = name
       print(data_dict)  # 输出这个字典
       data_list.append(data_dict)  # 将数据存入全局变量中


#主函数
def next_page():
       token=search_product()
       drop_down()
       get_product()
       num=1
       while num != token:
           print('--------------------------------------------------------------')
           print("第%s页:" % str(num + 1))
           driver.get('https://s.taobao.com/search?q={}&s={}'.format(kw, 44*num))#可以防止反扒
           #time.sleep(4)
           #智能等待 最高等待时间为10s 如果超出10s 抛出异常
           #无限循环进入网页 可能会造成网页卡顿
           driver.implicitly_wait(10)
           drop_down()
           get_product()
           num += 1


#存取数据
def save():
    content = json.dumps(data_list, ensure_ascii=False, indent=2)
    # 把全局变量转化为json数据
    with open("taobao.json", "a+", encoding="GBK") as f:
        f.write(content)
        print("json文件写入成功")

    with open('taobao.csv', 'w', encoding='GBK', newline='') as f:
        # 表头
        title = data_list[0].keys()
        # 声明writer
        writer = csv.DictWriter(f, title)
        # 写入表头
        writer.writeheader()
        # 批量写入数据
        writer.writerows(data_list)
    print('csv文件写入完成')
if __name__ =='__main__':
    data_list = []  # 设置全局变量来存储数据
    kw=input('请输入你想要查询的商品：')
    #浏览器
    driver= webdriver.Chrome()
    #最大化窗口
    driver.maximize_window()
    driver.get('https://www.taobao.com/')
    next_page()
    save()

 3.商品数据分析      价格数据分析

import pandas as pd
from matplotlib import pyplot as plt
list=[]
# matplotlib中文显示
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
# 读取数据
data = pd.read_csv('taobao.csv',index_col = None,encoding='GBK')
datas=data["price"]
for i in datas:
    list.append(i)
# 价格分布
plt.figure(figsize=(15,20))
plt.hist(list,bins=10,alpha=0.6)
plt.title('价格频率分布直方图')
plt.xlabel('价格')
plt.ylabel('频数')
plt.savefig('价格分布.png')
plt.show()

 

     词云分析

import pandas as pd
import jieba
from wordcloud import WordCloud
# 制作词云
data = pd.read_csv('taobao.csv',index_col = None,encoding='utf-8')
content = ''
for i in range(len(data)):
    content += data['goods'][i]
wl = jieba.cut(content,cut_all=True)
wl_space_split = ' '.join(wl)
wc = WordCloud('simhei.ttf',
               background_color='white', # 背景颜色
               width=1000,
               height=600,).generate(wl_space_split)
wc.to_file('词云.png')