参照：https://mp.weixin.qq.com/s/gwzym3Za-qQAiEnVP2eYjQ
一般看源码就可以解决问题啦
1 #-*- coding:utf-8 -*-
2 import re
3 import time
4 import requests
5 import pandas as pd
6 from retrying import retry
7 from concurrent.futures import ThreadPoolExecutor
8
9 start = time.clock() #计时-开始
10
11 #plist 为1-100页的URL的编号num
12 plist = []
13 for i in range(1,101):
14 #淘宝的页数都是以下面这种形式来结束的，所以使用44
15 #https://s.taobao.com/search?q=耳机&xxx&s=44
16 #https://s.taobao.com/search?q=耳机&xxx&s=88
17 j = 44*(i-1)
18 plist.append(j)
19
20 listno = plist
21 datatmsp = pd.DataFrame(columns=[])
22
23 while True:
24 @retry(stop_max_attempt_number = 8) #设置最大重试次数
25 def network_programming(num):
26 #将耳机转换为汉字编码%E8%80%B3%E6%9C%BA
27 url=‘https://s.taobao.com/search?q=%E8%80%B3%E6%9C%BA&ssid=s5-e 28 &search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1 29 &ie=utf8&initiative_id=tbindexz_20170306&fs=1&filter_tianmao=tmall 30 &sort=sale-desc&filter=reserve_price%5B50%2C%5D&bcoffset=0 31 &p4ppushleft=%2C44&s=‘ + str(num)
32 web = requests.get(url, headers=headers)
33 web.encoding = ‘utf-8‘
34 return web
35
36 #多线程
37 def multithreading():
38 number = listno #每次爬取未爬取成功的页
39 event = []
40
41 with ThreadPoolExecutor(max_workers=10) as executor:
42 for result in executor.map(network_programming,
43 number, chunksize=10):
44 event.append(result)
45 return event
46
47 #隐藏：修改headers参数
48 #因为淘宝可能会出现反爬虫，所以使用cookie，构建head是很有必要的。尽量把自己伪装成一个浏览器。
49 headers = {‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) 50 AppleWebKit/537.36(KHTML, like Gecko) 51 Chrome/55.0.2883.87 Safari/537.36‘}
52
53 #多线程从json获取数据
54 listpg = []
55 event = multithreading()
56 for i in event:
57 json = re.findall(‘"auctions":(.*?),"recommendAuctions"‘, i.text)
58 if len(json):
59 table = pd.read_json(json[0])
60 datatmsp = pd.concat([datatmsp,table],axis=0,ignore_index=True)
61
62 pg = re.findall(‘"pageNum":(.*?),"p4pbottom_up"‘,i.text)[0]
63 listpg.append(pg) #记入每一次爬取成功的页码
64
65 lists = []
66 for a in listpg:
67 b = 44*(int(a)-1)
68 lists.append(b) #将爬取成功的页码转为url中的num值
69
70 listn = listno
71
72 #每次循环将爬取失败的数组清空
73 listno = [] #将本次爬取失败的页记入列表中 用于循环爬取
74 for p in listn:
75 if p not in lists:
76 listno.append(p)
77
78 if len(listno) == 0: #当未爬取页数为0时 终止循环！
79 break
80
81 datatmsp.to_excel(‘datatmsp1.xls‘, index=False) #导出数据为Excel
82
83 end = time.clock() #计时-结束
84 print ("爬取完成 用时：", end - start,‘s‘)
85
86
87 ‘‘‘
88 二、数据清洗、处理： (此步骤也可以在Excel中完成 再读入数据)
89 ‘‘‘
90 datatmsp = pd.read_excel(‘datatmsp1.xls‘) #读取爬取的数据
91 #datatmsp.shape
92
93 # 数据缺失值分析：
94 # 安装模块：pip3 install missingno
95 import missingno as msno
96 msno.bar(datatmsp.sample(len(datatmsp)),figsize=(10,4))
97
98 # 删除缺失值过半的列
99 half_count = len(datatmsp)/2
100 datatmsp = datatmsp.dropna(thresh = half_count, axis=1)
101
102 # 删除重复行：
103 datatmsp = datatmsp.drop_duplicates()
104
105 ‘‘‘
106 说明：只取了 item_loc, raw_title, view_price, view_sales 这4列数据，
107 上面的item_loc, raw_title, view_price, view_sales 都是从网页源代码中获取的标签信息
108 主要对 标题、区域、价格、销量 进行分析，代码如下:
109 ‘‘‘
110 # 取出这4列数据：
111 data = datatmsp[[‘item_loc‘,‘raw_title‘,‘view_price‘,‘view_sales‘]]
112 data.head() #默认查看前5行数据
113
114 # 对 item_loc 列的省份和城市 进行拆分 得出 province 和 city 两列:
115 # 生成province列：
116 # lambda表达式类似于一个没有声明的函数
117 data[‘province‘] = data.item_loc.apply(lambda x: x.split()[0])
118
119 # 注：因直辖市的省份和城市相同 这里根据字符长度进行判断：
120 data[‘city‘] = data.item_loc.apply(lambda x: x.split()[0] 121 if len(x) < 4 else x.split()[1])
122
123 # 提取 view_sales 列中的数字，得到 sales 列：
124 #data[‘sales‘] = data.view_sales.apply(lambda x: x.split(‘人‘)[0])
125
126 # 查看各列数据类型
127 data.dtypes
128
129 # 将数据类型进行转换
130 #data[‘sales‘] = data.sales.astype(‘int‘)
131
132 list_col = [‘province‘,‘city‘]
133 for i in list_col:
134 data[i] = data[i].astype(‘category‘)
135
136 # 删除不用的列：
137 data = data.drop([‘item_loc‘,‘view_sales‘], axis=1)
138
139
140 ‘‘‘
141 三、数据挖掘与分析：
142
143 【1】. 对 raw_title 列标题进行文本分析：
144 使用结巴分词器，安装模块pip3 install jieba
145 ‘‘‘
146 title = data.raw_title.values.tolist() #转为list
147
148 # 对每个标题进行分词： 使用lcut函数
149 import jieba
150 title_s = []
151 for line in title:
152 title_cut = jieba.lcut(line)
153 title_s.append(title_cut)
154
155 ‘‘‘
156 对 title_s（list of list 格式）中的每个list的元素（str）进行过滤 剔除不需要的词语，
157 即 把停用词表stopwords中有的词语都剔除掉：
158 ‘‘‘
159
160 # 导入停用词表：
161 stopwords = pd.read_excel(‘stopwords.xlsx‘)
162 stopwords = stopwords.stopword.values.tolist()
163
164 # 剔除停用词：
165 title_clean = []
166 for line in title_s:
167 line_clean = []
168 for word in line:
169 if word not in stopwords:
170 line_clean.append(word)
171 title_clean.append(line_clean)
172
173 ‘‘‘
174 因为下面要统计每个词语的个数，所以 为了准确性 这里对过滤后的数据 title_clean 中的每个list的元素进行去重，
175 即 每个标题被分割后的词语唯一。
176 ‘‘‘
177 title_clean_dist = []
178 for line in title_clean:
179 line_dist = []
180 for word in line:
181 if word not in line_dist:
182 line_dist.append(word)
183 title_clean_dist.append(line_dist)
184
185 # 将 title_clean_dist 转化为一个list: allwords_clean_dist
186 allwords_clean_dist = []
187 for line in title_clean_dist:
188 for word in line:
189 allwords_clean_dist.append(word)
190
191
192 # 把列表 allwords_clean_dist 转为数据框：
193 df_allwords_clean_dist = pd.DataFrame({‘allwords‘: allwords_clean_dist})
194
195
196 # 对过滤_去重的词语 进行分类汇总：
197 word_count = df_allwords_clean_dist.allwords.value_counts().reset_index()
198 word_count.columns = [‘word‘,‘count‘] #添加列名
199
200
201 ‘‘‘
202 观察 word_count 表中的词语，发现jieba默认的词典 无法满足需求：
203 有的词语（如 可拆洗、不可拆洗等）却被cut，这里根据需求对词典加入新词
204 （也可以直接在词典dict.txt里面增删，然后载入修改过的dict.txt）
205 ‘‘‘
206 add_words = pd.read_excel(‘add_words.xlsx‘) #导入整理好的待添加词语
207
208 # 添加词语：
209 for w in add_words.word:
210 jieba.add_word(w , freq=1000)
211
212
213 #=======================================================================
214 # 注：再将上面的 分词_过滤_去重_汇总 等代码执行一遍，得到新的 word_count表
215 #=======================================================================
216
217 #word_count.to_excel(‘word_count.xlsx‘, index=False) #导出数据
218
219 ‘‘‘
220 词云可视化： 见下<图2>
221 安装模块 wordcloud
222 方法：pip3 install wordcloud
223 ‘‘‘
224 from wordcloud import WordCloud
225 import matplotlib.pyplot as plt
226 from scipy.misc import imread
227 plt.figure(figsize=(20,10))
228
229 pic = imread("shafa.png") #读取图片,自定义‘沙发’形状
230 w_c = WordCloud(font_path="semplice.ttf",background_color="white",
231 mask=pic, max_font_size=60, margin=1)
232 wc = w_c.fit_words({x[0]:x[1] for x in word_count.head(100).values})
233
234 plt.imshow(wc, interpolation=‘bilinear‘)
235 plt.axis("off")
236 plt.show()
237
238 ‘‘‘
239 以上注释：
240 shafa.png 是透明背景图 将该图放在Python的项目路径下！
241 "./data/simhei.ttf" 设置字体
242 background_color 默认是黑色 这里设置成白色
243 head(100) 取前100个词进行可视化！
244 max_font_size 字体最大字号
245 interpolation=‘bilinear‘ 图优化
246 "off" 去除边框
247 ‘‘‘
248
249 ‘‘‘
250 不同省份的商品数量分布：
251 ‘‘‘
252 plt.figure(figsize=(8,4))
253 data.province.value_counts().plot(kind=‘bar‘,color=‘purple‘)
254 plt.xticks(rotation= 0)
255 plt.xlabel(‘省份‘)
256 plt.ylabel(‘数量‘)
257 plt.title(‘不同省份的商品数量分布‘)
258 plt.show()
得到的结果：
原文地址：https://www.cnblogs.com/hustcser/p/8744355.html
时间： 2024-08-04 11:14:32