手把手教你采集京东销售数据并做简单的数据分析和可视化

一、目标数据

随着移动支付的普及，电商网站不断涌现，由于电商网站产品太多，由用户产生的评论数据就更多了，这次我们以京东为例，针对某一单品的评论数据进行数据采集,并且做简单数据分析。

二、页面分析

这个是某一手机页面的详情页，对应着手机的各种参数以及用户评论信息，页面URL是：

https://item.jd.com/10022971060622.html#none 

然后通过分析找到评论数据对应的数据接口，如下图所示:

它的请求url:

https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_com 
ment98& productId=10022971060622 &score=0&sortType=5& page=0 &pageSize=10&isShadowSk 
u=0&fold=1 

注意看到这两个关键参数

productId: 每个商品有一个id

page: 对应的评论分页

三、解析数据

对评论数据的url发起请求:

url:https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comm 
ent98& productId=10022971060622 &score=0&sortType=5& page=0 &pageSize=10&isShado 
wSku=0&fold=1 

json.cn 打开json数据(我们的评论数据是以json形式与页面进行交互传输的)，如下图所示:

分析可知,评论url中对应十条评论数据,对于每一条评论数据,我们需要获取3条数

据,contents,color,size(注意到上图的maxsize,100,也就是100*10=1000条评论)。

四、程序

1.导入相关库

import  requests 
import  json 
import  time 
import  openpyxl  #第三方模块，用于操作Excel文件的 
#模拟浏览器发送请求并获取响应结果 
import random 

2.获取评论数据

def get_comments(productId,page): 
    url='https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98&productId={0}&score=0&sortType=5&page={1}&pageSize=10&isShadowSku=0&fold=1'.format(productId,page) # 商品id 
    resp=requests.get(url,headers=headers) 
    #print(resp.text)  #响应结果进行显示输出 
    s1=resp.text.replace('fetchJSON_comment98(','') #fetchJSON_comment98( 
    s=s1.replace(');','') 
    #将str类型的数据转成json格式的数据 
    # print(s,type(s)) 
    # print('*'*100) 
    res=json.loads(s) 
    print(type(res)) 
    return res 

3.获取最大页数(也可以不写)

def get_max_page(productId): 
    dic_data=get_comments(productId,0)  #调用刚才写的函数，向服务器发送请求，获取字典数据 
    return dic_data['maxPage'] 

4.提取数据

def get_info(productId): 
    #调用函数获取商品的最大评论页数 
    #max_page=get_max_page(productId) 
    # max_page=10 
    lst=[]  #用于存储提取到的商品数据 
    for page in range(0,get_max_page(productId)):   #循环执行次数 
        #获取每页的商品评论 
        comments=get_comments(productId,page) 
        comm_lst=comments['comments']   #根据key获取value，根据comments获取到评论的列表（每页有10条评论） 
        #遍历评论列表，分别获取每条评论的中的内容，颜色，鞋码 
        for item in comm_lst:   #每条评论又分别是一个字典，再继续根据key获取值 
            content=item['content']  #获取评论中的内容 
            color=item['productColor'] #获取评论中的颜色 
            size=item['productSize'] #鞋码 
            lst.append([content,color,size])  #将每条评论的信息添加到列表中 
        time.sleep(3)  #延迟时间，防止程序执行速度太快，被封IP 
    save(lst)  #调用自己编写的函数，将列表中的数据进行存储 

5.用于将爬取到的数据存储到Excel中

def save(lst): 
    wk=openpyxl.Workbook () #创建工作薄对象 
    sheet=wk.active  #获取活动表 
    #遍历列表，将列表中的数据添加到工作表中,列表中的一条数据，在Excel中是 一行 
    for item in lst: 
        sheet.append(item) 
    #保存到磁盘上 
    wk.save('销售数据.xlsx') 

6.运行程序

if __name__ == '__main__': 
    productId='10029693009906' # 单品id 
    get_info(productId) 

五、简单数据

1.简单配置

# 导入相关库 
import pandas as pd  
import matplotlib.pyplot as plt 
# 这两行代码解决 plt 中文显示的问题 
plt.rcParams['font.sans-serif'] = ['SimHei'] 
plt.rcParams['axes.unicode_minus'] = False 
# 由于采集的时候没有设置表头,此处设置表头 
data = pd.read_excel('./销售数据.xlsx', header=None, names = ['comments','color','intro'] ) #  
data.head() 

2.手机颜色数量对比

x = ['白色','黑色','绿色','蓝色','红色','紫色'] 
y = [314,295,181,173,27,10] 
plt.bar(x,y) 
plt.title('各种颜色手机数量对比') 
plt.xlabel('颜色') 
plt.ylabel('数量') 
# plt.legend() # 显示图例 
plt.show() 

可以看出用户购买的手机白色和黑色的机型比较多.占据了60%多。3.评论词云展示1)先要提取评论数据

import xlrd 
def strs(row): 
    values = ""; 
    for i in range(len(row)): 
        if i == len(row) - 1: 
            values = values + str(row[i]) 
        else: 
            values = values + str(row[i]) 
    return values 
# 打卡文件 
data = xlrd.open_workbook("./销售数据.xlsx") 
sqlfile = open("data.txt", "a")  # 文件读写方式是追加 
table = data.sheets()[0]  # 表头 
nrows = table.nrows  # 行数 
ncols = table.ncols  # 列数 
colnames = table.row_values(1)  # 某一行数据 
# 打印出行数列数 
for ronum in range(1, nrows): 
        row = table.cell_value(rowx=ronum, colx = 0) #只需要修改你要读取的列数-1 
        values = strs(row)  # 调用函数，将行数据拼接成字符串 
        sqlfile.writelines(values + "\n")  # 将字符串写入新文件 
sqlfile.close()  # 关闭写入的文件 

2)词云展示

# 导入相应的库 
import jieba 
from PIL import Image 
import numpy as np 
from wordcloud import WordCloud 
import matplotlib.pyplot as plt 
# 导入文本数据并进行简单的文本处理 
# 去掉换行符和空格 
text = open("./data.txt",encoding='gbk').read() 
text = text.replace('\n',"").replace("\u3000","") 
 
# 分词，返回结果为词的列表 
text_cut = jieba.lcut(text) 
# 将分好的词用某个符号分割开连成字符串 
text_cut = ' '.join(text_cut) 

注意: 这里我们不能使用encoding='uth-8'，会报出一个错误:

> 'utf-8' codec can't decode byte 0xd3 in position 0: invalid continuation byte 

所以我们需要改成 gbk。

word_list = jieba.cut(text) 
space_word_list = ' '.join(word_list) 
print(space_word_list) 
# 调用包PIL中的open方法，读取图片文件，通过numpy中的array方法生成数组 
mask_pic = np.array(Image.open("./xin.png")) 
word = WordCloud( 
    font_path='C:/Windows/Fonts/simfang.ttf',  # 设置字体，本机的字体 
    mask=mask_pic,  # 设置背景图片 
    background_color='white',  # 设置背景颜色 
    max_font_size=150,  # 设置字体最大值 
    max_words=2000,  # 设置最大显示字数 
    stopwords={'的'}  # 设置停用词，停用词则不在词云途中表示 
                 ).generate(space_word_list) 
image = word.to_image() 
word.to_file('2.png')  # 保存图片 
image.show() 

最后得到的效果图，如下图所示：

本文转载自微信公众号「Python爬虫与数据挖掘」，可以通过以下二维码关注。转载本文请联系Python爬虫与数据挖掘公众号。