抓取某东的TT购买记录分析TT购买趋势

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

最近学习了一些爬虫技术，想做个小项目检验下自己的学习成果，在逛某东的时候，突然给我推荐一个TT的产品，点击进去浏览一番之后就产生了抓取TT产品，然后进行数据分析，看下那个品牌的TT卖得最好。

本文通过selenium抓取TT信息，存入到mongodb数据库中。

抓取TT产品信息

TT产品页面的连接是https://list.jd.com/list.html?cat=9192,9196,1502&page=1&sort=sort_totalsales15_desc&trans=1&JL=6_0_0#J_main。

上面有个page参数，表示第几页。改变这个参数就可以爬取到不同页面的TT产品。

通过开发者工具看下如果抓取TT的产品信息，例如名字、品牌、价格、评论数量等。

通过上图可以看到一个TT产品信息对应的源代码是一个class为gl-item的li节点<li class='gl-item'>。li节点中data-sku属性是产品的ID，后面抓取产品的评论信息会用到，brand_id是品牌ID。class为p-price的div节点对应的是TT产品的价格信息。class为p-comment的div节点对应的是评论总数信息。

开始使用requests是总是无法解析到TT的价格和评论信息，最后适应selenium才解决了这个问题，如果有人知道怎么解决这问题，望不吝赐教。

下面介绍抓取TT产品评论信息。

点击一个TT产品，会跳转到产品详细页面，点击“商品评论”，然后勾选上“只看当前商品评价”选项（如果不勾选，就会看到该系列产品的评价）就会看到商品评论信息，我们用开发者工具看下如果抓取评论信息。

如上图所示，在开发者工具中，点击Network选项，就会看到“https://club.jd.com/discussion/getSkuProductPageImageCommentList.action?productId=3521615&isShadowSku=0&callback=jQuery6014001&page=2&pageSize=10&_=1547042223100” 的链接，这个链接返回的是json数据。其中productId就是TT产品页面的data-sku属性的数据。page参数是第几页评论。返回的json数据中，content是评论数，createTime是下单时间。

代码如下：

def parse_product(page,html): doc = pq(html) li_list = doc('.gl-item').items() for li in li_list: product_id = li('.gl-i-wrap').attr('data-sku') brand_id = li('.gl-i-wrap').attr('brand_id') time.sleep(get_random_time()) title = li('.p-name').find('em').text() price_items = li('.p-price').find('.J_price').find('i').items() price = 0 for price_item in price_items: price = price_item.text() break total_comment_num = li('.p-commit').find('strong a').text() if total_comment_num.endswith("万+"): print('总评价数量：' + total_comment_num) total_comment_num = str(int(float(total_comment_num[0:len(total_comment_num) -2]) * 10000)) print('转换后总评价数量：' + total_comment_num) elif total_comment_num.endswith("+"): total_comment_num = total_comment_num[0:len(total_comment_num) - 1] condom = {} condom["product_id"] = product_id condom["brand_id"] = brand_id condom["condom_name"] = title condom["total_comment_num"] = total_comment_num condom["price"] = price comment_url = 'https://club.jd.com/comment/skuProductPageComments.action?callback=fetchJSON_comment98vv117396&productId=%s&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1' comment_url = comment_url %(product_id) response = requests.get(comment_url,headers = headers) if response.text == '': for i in range(0,10): time.sleep(get_random_time()) try: response = requests.get(comment_url, headers=headers) except requests.exceptions.ProxyError: time.sleep(get_random_time()) response = requests.get(comment_url, headers=headers) if response.text: break else: continue text = response.text text = text[28:len(text) - 2] jsons = json.loads(text) productCommentSummary = jsons.get('productCommentSummary') # productCommentSummary = response.json().get('productCommentSummary') poor_count = productCommentSummary.get('poorCount') general_count = productCommentSummary.get('generalCount') good_count = productCommentSummary.get('goodCount') comment_count = productCommentSummary.get('commentCount') poor_rate = productCommentSummary.get('poorRate') good_rate = productCommentSummary.get('goodRate') general_rate = productCommentSummary.get('generalRate') default_good_count = productCommentSummary.get('defaultGoodCount') condom["poor_count"] = poor_count condom["general_count"] = general_count condom["good_count"] = good_count condom["comment_count"] = comment_count condom["poor_rate"] = poor_rate condom["good_rate"] = good_rate condom["general_rate"] = general_rate condom["default_good_count"] = default_good_count collection.insert(condom) comments = jsons.get('comments') if comments: for comment in comments: print('解析评论') condom_comment = {} reference_time = comment.get('referenceTime') content = comment.get('content') product_color = comment.get('productColor') user_client_show = comment.get('userClientShow') user_level_name = comment.get('userLevelName') is_mobile = comment.get('isMobile') creation_time = comment.get('creationTime') guid = comment.get("guid") condom_comment["reference_time"] = reference_time condom_comment["content"] = content condom_comment["product_color"] = product_color condom_comment["user_client_show"] = user_client_show condom_comment["user_level_name"] = user_level_name condom_comment["is_mobile"] = is_mobile condom_comment["creation_time"] = creation_time condom_comment["guid"] = guid collection_comment.insert(condom_comment) parse_comment(product_id)def parse_comment(product_id): comment_url = 'https://club.jd.com/comment/skuProductPageComments.action?callback=fetchJSON_comment98vv117396&productId=%s&score=0&sortType=5&page=%d&pageSize=10&isShadowSku=0&fold=1' for i in range(1,200): time.sleep(get_random_time()) time.sleep(get_random_time()) print('抓取第' + str(i) + '页评论') url = comment_url%(product_id,i) response = requests.get(url, headers=headers,timeout=10) print(response.status_code) if response.text == '': for i in range(0,10): print('抓取不到数据') response = requests.get(comment_url, headers=headers) if response.text: break else: continue text = response.text print(text) text = text[28:len(text) - 2] print(text) jsons = json.loads(text) comments = jsons.get('comments') if comments: for comment in comments: print('解析评论') condom_comment = {} reference_time = comment.get('referenceTime') content = comment.get('content') product_color = comment.get('productColor') user_client_show = comment.get('userClientShow') user_level_name = comment.get('userLevelName') is_mobile = comment.get('isMobile') creation_time = comment.get('creationTime') guid = comment.get("guid") id = comment.get("id") condom_comment["reference_time"] = reference_time condom_comment["content"] = content condom_comment["product_color"] = product_color condom_comment["user_client_show"] = user_client_show condom_comment["user_level_name"] = user_level_name condom_comment["is_mobile"] = is_mobile condom_comment["creation_time"] = creation_time condom_comment["guid"] = guid condom_comment["id"] = id collection_comment.insert(condom_comment) else: break

如果想要获取抓取TT数据和评论的代码，请关注我的公众号“python_ai_bigdata”,然后恢复TT获取代码。

一共抓取了8934条产品信息和17万条评论(购买)记录。

产品最多的品牌

先分析8934个产品，看下哪个品牌的TT在京东上卖得最多。由于品牌过多，京东上销售TT的品牌就有299个，我们只取卖得最多的前10个品牌。

从上面的图可以看出，排名第1的是杜杜，冈本次之，邦邦第3，前10品牌分别是杜蕾斯、冈本、杰士邦、倍力乐、名流、第六感、尚牌、赤尾、诺丝和米奥。这10个品牌中有5个是我没见过的，分别是倍力乐、名流、尚牌、赤尾和米奥，其他的都见过，特别是杜杜和邦邦常年占据各大超市收银台的醒目位置。

这10个品牌中，杜蕾斯来自英国，冈本来自日本，杰士邦、第六感、赤尾、米奥和名流是国产的品牌，第六感是杰士邦旗下的一个避孕套品牌；倍力乐是中美合资的品牌，尚牌来自泰国，诺丝是来自美国的品牌。

代码：

import pymongo import pandas as pd import numpy as np import matplotlib.pyplot as plt from pandas import DataFrame,Seriesclient = pymongo.MongoClient(host='localhost',port=27017) db = client.condomdbcondom_new = db.condom_newcursor = condom_new.find() condom_df = pd.DataFrame(list(cursor)) brand_name_df = condom_df['brand_name'].to_frame() brand_name_df['condom_num'] = 1brand_name_group = brand_name_df.groupby('brand_name').sum()brand_name_sort = brand_name_group.sort_values(by='condom_num', ascending=False) brand_name_top10 = brand_name_sort.head(10)# print(3 * np.random.rand(4)) index_list = [] labels = [] value_list = []for index,row in brand_name_top10.iterrows(): index_list.append(index) labels.append(index) value_list.append(int(row['condom_num']))plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号series_condom = pd.Series(value_list, index=index_list, name='') series_condom.plot.pie(labels=labels, autopct='%.2f', fontsize=10, figsize=(10, 10))