python爬取并分析淘宝商品信息

• 背景介绍
• 一、模拟登陆
• 二、爬取商品信息
• 1. 定义相关参数2. 分析并定义正则3. 数据爬取
• 三、简单数据分析
• 1.导入库2.中文显示3.读取数据4.分析价格分布5.分析销售地分布6.词云分析
• 写在最后

Tip:本文仅供学习与交流，切勿用于非法用途！！！

背景介绍

有个同学问我：“XXX，有没有办法搜集一下淘宝的商品信息啊，我想要做个统计”。于是乎，闲来无事的我，又开始琢磨起这事…

俗话说，实践出真知~
小的在这给大家安利一套《2020最新企业Pyhon项目实战》视频教程，点击此处即可获取，希望大家一起进步哦。

一、模拟登陆

兴致勃勃的我，冲进淘宝就准备一顿乱搜：
在搜索栏里填好关键词：“显卡”，小手轻快敲击着回车键（小样~看我的）
心情愉悦的我等待着返回满满的商品信息，结果苦苦的等待换了的却是302，于是我意外地来到了登陆界面。

情况基本就是这么个情况了…
然后我查了一下，随着淘宝反爬手段的不断加强，很多小伙伴应该已经发现，淘宝搜索功能是需要用户登陆的！

关于淘宝模拟登陆，有大大已经利用requests成功模拟登陆（感兴趣的小伙伴请往这边>>>requests登陆淘宝<<<）
这个方法得先分析淘宝登陆的各种请求，并模拟生成相应的参数，相对来说有一定的难度。于是我决定换一种思路，通过selenium+二维码的方式：

# 打开图片
def Openimg(img_location):
    img=Image.open(img_location)
    img.show()

# 登陆获取cookies
def Login():  
    driver = webdriver.PhantomJS() 
    driver.get("/d/file/p/20221107/error.html
    try:
        driver.find_element_by_xpath("//*[@id="login"]/div[1]/i").click()
    except:
        pass
    time.sleep(3)
    # 执行JS获得canvas的二维码
    JS = "return document.getElementsByTagName("canvas")[0].toDataURL("image/png");"
    im_info = driver.execute_script(JS) # 执行JS获取图片信息
    im_base64 = im_info.split(",")[1]  #拿到base64编码的图片信息
    im_bytes = base64.b64decode(im_base64)  #转为bytes类型
    time.sleep(2)
    with open("./login.png","wb") as f:
        f.write(im_bytes)
        f.close()
    t = threading.Thread(target=Openimg,args=("./login.png",))
    t.start()
    print("Logining...Please sweep the code!
")
    while(True):
        c = driver.get_cookies()
        if len(c) > 20:   #登陆成功获取到cookies
            cookies = {}
            for i in range(len(c)):
                cookies[c[i]["name"]] = c[i]["value"]
            driver.close()
            print("Login in successfully!
")
            return cookies
        time.sleep(1)

通过webdriver打开淘宝登陆界面，把二维码下载到本地并打开等待用户扫码（相应的元素大家通过浏览器的F12元素分析很容易就能找出）。待扫码成功后，将webdriver里的cookies转为DICT形式，并返回。（这里是为了后续requests爬取信息的时候使用）

二、爬取商品信息

当我拿到cookies之后，便能对商品信息进行爬取了。
（小样 ~我来啦）

1. 定义相关参数

定义相应的请求地址，请求头等等：

# 定义参数
headers = {"Host":"s.taobao.com",
           "User-Agent":"Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0",
           "Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
           "Accept-Language":"zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2",
           "Accept-Encoding":"gzip, deflate, br",
           "Connection":"keep-alive"}
list_url = "/d/file/p/20221107/login.jhtml"
12345678

2. 分析并定义正则

当请求得到HTML页面后，想要得到我们想要的数据就必须得对其进行提取，这里我选择了正则的方式。通过查看页面源码：

偷懒的我上面只标志了两个数据，不过其他也是类似的，于是得到以下正则：

# 正则模式
p_title = ""raw_title":"(.*?)""       #标题
p_location = ""item_loc":"(.*?)""    #销售地
p_sale = ""view_sales":"(.*?)人付款"" #销售量
p_comment = ""comment_count":"(.*?)""#评论数
p_price = ""view_price":"(.*?)""     #销售价格
p_nid = ""nid":"(.*?)""              #商品唯一ID
p_img = ""pic_url":"(.*?)""          #图片URL
12345678

（ps.聪明的小伙伴应该已经发现了，其实商品信息是被保存在了g_page_config变量里面，所以我们也可以先提取这个变量（一个字典），然后再读取数据，也可！）

3. 数据爬取

完事具备，只欠东风。于是，东风来了：

# 数据爬取
key = input("请输入关键字:") # 商品的关键词
N = 20 # 爬取的页数 
data = []
cookies = Login()
for i in range(N):
    try:
        page = i*44
        url = list_url%{"key":key,"page":page}
        res = requests.get(url,headers=headers,cookies=cookies)
        html = res.text
        title = re.findall(p_title,html)
        location = re.findall(p_location,html)
        sale = re.findall(p_sale,html)
        comment = re.findall(p_comment,html)
        price = re.findall(p_price,html)
        nid = re.findall(p_nid,html)
        img = re.findall(p_img,html)
        for j in range(len(title)):
            data.append([title[j],location[j],sale[j],comment[j],price[j],nid[j],img[j]])
        print("-------Page%s complete!--------

"%(i+1))
        time.sleep(3)
    except:
        pass
data = pd.DataFrame(data,columns=["title","location","sale","comment","price","nid","img"])
data.to_csv("%s.csv"%key,encoding="utf-8",index=False)

上面代码爬取20也商品信息，并将其保存在本地的csv文件中，效果是这样的：

三、简单数据分析

有了数据，放着岂不是浪费，我可是社会主义好青年，怎能做这种事？ 那么，就让我们来简单看看这些数据叭：
（当然，数据量小，仅供娱乐参考）

1.导入库

# 导入相关库
import jieba
import operator
import pandas as pd
from wordcloud import WordCloud
from matplotlib import pyplot as plt

相应库的安装方法(其实基本都能通过pip解决)：

• jieba
• pandas
• wordcloud
• matplotlib

2.中文显示

# matplotlib中文显示
plt.rcParams["font.family"] = ["sans-serif"]
plt.rcParams["font.sans-serif"] = ["SimHei"]

不设置可能出现中文乱码等闹心的情况哦~

3.读取数据

# 读取数据
key = "显卡"
data = pd.read_csv("%s.csv"%key,encoding="utf-8",engine="python")

4.分析价格分布

# 价格分布
plt.figure(figsize=(16,9))
plt.hist(data["price"],bins=20,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")

价格频率分布直方图：

5.分析销售地分布

# 销售地分布
group_data = list(data.groupby("location"))
loc_num = {}
for i in range(len(group_data)):
    loc_num[group_data[i][0]] = len(group_data[i][1])
plt.figure(figsize=(19,9))
plt.title("销售地")
plt.scatter(list(loc_num.keys())[:20],list(loc_num.values())[:20],color="r")
plt.plot(list(loc_num.keys())[:20],list(loc_num.values())[:20])
plt.savefig("销售地.png")
sorted_loc_num = sorted(loc_num.items(), key=operator.itemgetter(1),reverse=True)#排序
loc_num_10 = sorted_loc_num[:10]  #取前10
loc_10 = []
num_10 = []
for i in range(10):
    loc_10.append(loc_num_10[i][0])
    num_10.append(loc_num_10[i][1])
plt.figure(figsize=(16,9))
plt.title("销售地TOP10")
plt.bar(loc_10,num_10,facecolor = "lightskyblue",edgecolor = "white")
plt.savefig("销售地TOP10.png")

销售地分布：

销售地TOP10：

6.词云分析

# 制作词云
content = ""
for i in range(len(data)):
    content += data["title"][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("%s.png"%key)

淘宝商品”显卡“的词云：