Python爬取京东笔记本电脑，来看看那个牌子最棒
- 2019 年 10 月 7 日
- 筆記
一、前言
二、知识要求三、过程分析1.观察主页面和每个电脑界面的网址2.寻找每个电脑的id3.找到存放电脑的价格和评论数的信息4.爬取信息的思路四、urllib模块爬取京东笔记本电脑的数据、并对其做一个可视化实战五、可视化结果1.运行结果2.可视化结果
//
本文作者
王豪：行路难，多歧路，今安在，埋头苦改bug会有时，直到bug改完才吃饭。
//
阅读文本大概需要 5 分钟。
一、前言
作为一个程序员，笔记本电脑是必不可少的，我这里对京东上的前2页的笔记本的好评论数，价格，店铺等信息进行爬取，并做一个可视化，根据可视化的图，大家可以清晰的做出预测，方便大家购买划算的电脑。当然，我这里前2页的数据是远远不够的，如果大家想要预测的更精准一些，可以改一下数字，获取更多页面的数据，这样，预测结果会更精确。
二、知识要求
三、过程分析
1.观察主页面和每个电脑界面的网址
（1）观察具体界面的网址，我们可以猜测，具体每个界面都有一个id，通过构造网址https://item.jd.com/【id】.html，就可以得到具体每个界面的网址。 （2）观察主界面的网址，我们发现page=的属性值就是具体的页码数，通过构造page的值，我们可以实现自动翻页爬取信息。对主界面网址一些不必要的信息剔除，最后得到主界面翻页的网址规律https://list.jd.com/list.html?cat=670,671,672&page=【页码数】
同过以上的分析，我们可以看见，获取信息的关键就是每个电脑的具体id代号，接下来，我们的任务就是要找到每个电脑的id。
2.寻找每个电脑的id
（1）首先，看看网页源代码中是否会有每个电脑的id
在这里插入图片描述
我们再进入到刚刚搜索的哪个电脑名称的具体界面，发现，确实是他的id
（3）根据id附件的一些属性值，唯一确定所有电脑id 根据class="gl-i-wrap j-sku-item"属性值定位，发现，唯一确定60个id，数了一下界面上的电脑，一页确实是60个电脑，所以，电脑的id获取到了。
（4）同理，根据<div class="p-name">属性值获取具体每个电脑的网址和电脑名，这样我们连具体每个电脑的网址都不用构造了，直接可以获取。
3.找到存放电脑的价格和评论数的信息
（1）通过到网页源代码中去找，发现完全找不到，所以，我猜测这些信息隐藏在js包中。 （2）打开fiddler抓包工具，进行抓包分析。
可以看见，这些信息确实是在js包里面，复制该js包的网址，然后分析。 （3）分析有如下结论：
这里，我也抓到了存放店铺的js包，但是，这个js包的地址每次有一部分是随机生成的，所以，获取不到每台的电脑的店铺名。但是，我有每台电脑的具体网址，而该界面里面有该电脑的店铺，所以，我可以访问每台电脑的具体界面去获取到店铺消息。
4.爬取信息的思路
（1）先爬每页的信息 （2）再爬每页中每台电脑的价格、电脑名和评论数，以及每台电脑的网址 （3）爬取每台电脑的页面，获取店铺信息 （4）获取完所有页面信息后，做一个可视化
四、urllib模块爬取京东笔记本电脑的数据、并对其做一个可视化实战
爬虫文件：（建议大家边看边敲一遍，更加有利于学习）
# -*- coding: utf-8 -*- import random import urllib.request import re import time from lxml import etree from pyecharts import Bar from pyecharts import Pie headers = [ "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)", "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)", "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)", "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)", "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6", "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1", "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5", "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20", "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.11 TaoBrowser/2.0 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.71 Safari/537.1 LBBROWSER", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; LBBROWSER)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E; LBBROWSER)", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.84 Safari/535.11 LBBROWSER", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)", "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E; QQBrowser/7.0.3698.400)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Trident/4.0; SV1; QQDownload 732; .NET4.0C; .NET4.0E; 360SE)", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; QQDownload 732; .NET4.0C; .NET4.0E)", "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/5.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; .NET4.0E)", "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/21.0.1180.89 Safari/537.1", "Mozilla/5.0 (iPad; U; CPU OS 4_2_1 like Mac OS X; zh-cn) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8C148 Safari/6533.18.5", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:2.0b13pre) Gecko/20110307 Firefox/4.0b13pre", "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:16.0) Gecko/20100101 Firefox/16.0", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11", "Mozilla/5.0 (X11; U; Linux x86_64; zh-CN; rv:1.9.2.10) Gecko/20100922 Ubuntu/10.10 (maverick) Firefox/3.6.10" ] def main(): # 用来存放所有的电脑数据 allNames = [] allCommentNums = {} allPrices = {} allShops = {} # 爬取前2页的所有笔记本电脑 for i in range(0, 1): # 每页地址规律：https://list.jd.com/list.html?cat=670,671,672&page=【页码】 print('正在爬取第'+str(i+1)+'页的信息...') url = 'https://list.jd.com/list.html?cat=670,671,672&page='+str(i+1) get_page_data(url, allNames, allCommentNums, allPrices, allShops) # 以上为获取信息，以下为数据的可视化 names = allNames commentNums = [] for name in names: if allCommentNums[name] == None: commentNums.append(0) else: commentNums.append(eval(allCommentNums[name])) prices = [] for name in names: if allPrices[name] == None: prices.append(0) else: prices.append(eval(allPrices[name])) shops = [] for name in names: if allShops[name] != None: shops.append(allShops[name]) for i in range(0, len(names)): print(names[i]) print(commentNums[i]) print(prices[i]) print(shops[i]) # 将其评论数进行条形统计图可视化 tiaoxing(names, prices) # 将其店铺进行饼图可视化 # 先需要统计每个店铺的个数 shopNames = list(set(shops)) nums = [] for i in range(0, len(shopNames)): nums.append(0) for shop in shops: for i in range(0, len(shopNames)): if shop == shopNames[i]: nums[i] += 1 bingtu(shopNames, nums) def get_page_data(url, allNames, allCommentNums, allPrices, allShops): # 爬取该页内所有电脑的id、电脑名称和该电脑的具体网址 response = urllib.request.Request(url) response.add_header('User-Agent', random.choice(headers)) data = urllib.request.urlopen(response, timeout=1).read().decode('utf-8', 'ignore') data = etree.HTML(data) ids = data.xpath('//a[@class="p-o-btn contrast J_contrast contrast-hide"]/@data-sku') names = data.xpath('//div[@class="p-name"]/a/em/text()') hrefs = data.xpath('//div[@class="p-name"]/a/@href') # 去掉重复的网址 print(len(hrefs)) hrefs = list(set(hrefs)) print(len(hrefs)) # 将每个电脑的网址构造完全,加上'https:' for i in range(0, len(hrefs)): hrefs[i] = 'https:'+hrefs[i] # 根据id构造存放每台电脑评论数的js包的地址 # 其网址格式为：https://club.jd.com/comment/productCommentSummaries.action?my=pinglun&referenceIds=100000323510,100002368328&callback=jQuery5043746 str = '' for id in ids: str = str + id + ',' commentJS_url = 'https://club.jd.com/comment/productCommentSummaries.action?my=pinglun&referenceIds='+str[:-1]+'&callback=jQuery5043746' # 爬取该js包，获取每台电脑的评论数 response2 = urllib.request.Request(commentJS_url) response2.add_header('User-Agent', random.choice(headers)) data = urllib.request.urlopen(response2, timeout=1).read().decode('utf-8', 'ignore') pat = '{(.*?)}' commentStr = re.compile(pat).findall(data) # commentStr用来存放每个商品的关于评论数方面的所有信息 comments = {} for id in ids: for str in commentStr: if id in str: pat2 = '"CommentCount":(.*?),' comments[id] = re.compile(pat2).findall(str)[0] print("ids为：", len(ids),ids) print("name为:", len(names), names) print("评论数为：", len(comments), comments) # 根据id构造存放每台电脑价格的js包的地址 # 其网址格式为：https://p.3.cn/prices/mgets?callback=jQuery1702366&type=1&skuIds=J_7512626%2CJ_44354035037%2CJ_100003302532 str = '' for i in range(0, len(ids)): if i == 0: str = str + 'J_' + ids[i] + '%' else: str = str + '2CJ_' + ids[i] + '%' priceJS_url = 'https://p.3.cn/prices/mgets?callback=jQuery1702366&type=1&skuIds=' + str[:-1] # 爬取该js包，获取每台电脑的价格 response3 = urllib.request.Request(priceJS_url) response3.add_header('User-Agent', random.choice(headers)) data = urllib.request.urlopen(response3, timeout=1).read().decode('utf-8', 'ignore') priceStr = re.compile(pat).findall(data) # priceStr用来存放每个商品关于价格方面的信息 prices = {} for id in ids: for str in priceStr: if id in str: pat3 = '"p":"(.*?)"' prices[id] = re.compile(pat3).findall(str)[0] print("价格为：", prices) # 爬取每个商品的店铺,需要进入到对应的每个电脑的页面去爬取店铺信息 shops = {} for id in ids: for href in hrefs: if id in href: try: response4 = urllib.request.Request(href) response4.add_header('User-Agent', random.choice(headers)) data = urllib.request.urlopen(response4, timeout=1).read().decode('gbk', 'ignore') shop = etree.HTML(data).xpath('//*[@id="crumb-wrap"]/div/div[2]/div[2]/div[1]/div/a/@title') print(shop) if shop == []: shops[id] = None else: shops[id] = shop[0] time.sleep(2) except Exception as e: print(e) # 先去掉电脑名两边的空格和换行符 [name.strip() for name in names] # 将数据分别添加到item中 for name in names: allNames.append(name) # 名字对应评论数的字典形式 for i in range(0, len(ids)): if comments[ids[i]] == '': allCommentNums[names[i]] = None else: allCommentNums[names[i]] = comments[ids[i]] # 名字与价格对应起来 for i in range(0, len(ids)): if prices[ids[i]] == '': allPrices[names[i]] = None else: allPrices[names[i]] = prices[ids[i]] # 名字与店铺对应起来 for i in range(0, len(ids)): allShops[names[i]] = shops[ids[i]] def tiaoxing(names, prices): bar = Bar("笔记本电脑价格图", "X-电脑名，Y-价格") bar.add("笔记本电脑", names, prices) bar.show_config() bar.render("D:\scrapy\jingdong\prices.html") def bingtu(shopNames, nums): attr = shopNames v1 = nums pie = Pie("笔记本店铺饼图展示") pie.add("", attr, v1, is_label_show=True) pie.show_config() pie.render("D:\scrapy\jingdong\shops.html") if __name__ == '__main__': main()
五、可视化结果
1.运行结果
2.可视化结果
评论数条形统计图：
店铺扇形统计图：
可以看见联想的电脑买的最好。
