目錄
- 一、目標(biāo)網(wǎng)頁分析
- 二、數(shù)據(jù)請求
- 三、數(shù)據(jù)解析
- 四、數(shù)據(jù)存儲
- 五、采集結(jié)果預(yù)覽
一、目標(biāo)網(wǎng)頁分析
目標(biāo)網(wǎng)站是某車之家關(guān)于品牌汽車車型的口碑模塊相關(guān)數(shù)據(jù)，比如我們演示的案例奧迪Q5L的口碑頁面如下：
https://k.autohome.com.cn/4851/#pvareaid=3311678
為了演示方式，大家可以直接打開上面這個網(wǎng)址，然后拖到全部口碑位置，找到我們本次采集需要的字段如下圖所示：
采集字段
我們進(jìn)行翻頁發(fā)現(xiàn)，瀏覽器網(wǎng)址發(fā)生了變化，大家可以對下如下幾頁的網(wǎng)址找出規(guī)律：
https://k.autohome.com.cn/4851/index_2.html#dataList
https://k.autohome.com.cn/4851/index_3.html#dataList
https://k.autohome.com.cn/4851/index_4.html#dataList
對于上面寫網(wǎng)址，我們發(fā)現(xiàn)可變部分是車型（如4851）以及頁碼（如2,3,4），于是我們可以構(gòu)建url參數(shù)如下：
# typeid是車型，page是頁碼
url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'
二、數(shù)據(jù)請求
通過簡單的測試，發(fā)現(xiàn)似乎不存在反爬，那就簡單了。
我們先引入需要用到的庫：
import requests
import pandas as pd
import html
from lxml import etree
import re
然后創(chuàng)建一個數(shù)據(jù)請求的函數(shù)備用：
# 獲取網(wǎng)頁數(shù)據(jù)（傳遞參數(shù) 車型typeid和頁碼數(shù)）
def get_html(typeid,page):
# 組合出請求地址
url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'
# 請求數(shù)據(jù)（因?yàn)闆]有反爬，這里沒有設(shè)置請求頭和其他參數(shù)）
r = requests.get(url)
# 請求的網(wǎng)頁數(shù)據(jù)中有網(wǎng)頁特殊字符，通過以下方法進(jìn)行解析
r = html.unescape(r.text)
# 返回網(wǎng)頁數(shù)據(jù)
return r
請求來的數(shù)據(jù)就是網(wǎng)頁html文本，我們接下來采用re解析出一共多少頁碼，再用xpath進(jìn)行采集字段的解析。
三、數(shù)據(jù)解析
由于需要進(jìn)行翻頁，這里我們可以先通過re正則表達(dá)式獲取總頁碼。通過查看網(wǎng)頁數(shù)據(jù)，我們發(fā)現(xiàn)總頁碼可以通過如下方式獲?。?/p>
try:
pages = int(re.findall(r'共(\d+)頁',r)[0])
# 如果請求不到頁數(shù)，則表示該車型下沒有口碑?dāng)?shù)據(jù)
except :
print(f'{name} 沒有數(shù)據(jù)！')
continue
總頁碼采集
關(guān)于待采集字段信息，我們發(fā)現(xiàn)都在節(jié)點(diǎn)div[@class="mouthcon-cont-left"]里，可以先定位這個節(jié)點(diǎn)數(shù)據(jù)，然后再進(jìn)行逐一解析。
待采集字段信息所在節(jié)點(diǎn)
此外，我們發(fā)現(xiàn)每一頁最多15個車型口碑?dāng)?shù)據(jù)，因此我們每頁可以定位15個待采集信息數(shù)據(jù)集，遍歷采集代碼：
divs = r_html.xpath('.//div[@class="mouthcon-cont-left"]')
# 遍歷每個全部的車輛銷售信息
for div in divs:
# 找到車輛銷售信息所在的地方
mt = div.xpath('./div[@class="choose-con mt-10"]')[0]
# 找到所需字段
infos = mt.xpath('./dl[@class="choose-dl"]')
# 設(shè)置空的字典，用于存儲單個車輛信息
item = {}
# 遍歷車輛信息字段
for info in infos:
key = info.xpath('.//dt/text()')[0]
# 當(dāng)字段為購買車型時，進(jìn)行拆分為車型和配置
if key == '購買車型':
item[key] = info.xpath('.//dd/a/text()')[0]
item['購買配置'] = info.xpath('.//span[@class="font-arial"]/text()')[0]
# 當(dāng)字段為購車經(jīng)銷商時，需要獲取經(jīng)銷商的id參數(shù)，再調(diào)用api獲取其真實(shí)經(jīng)銷商信息（這里有坑）
elif key == '購車經(jīng)銷商':
# 經(jīng)銷商id參數(shù)
經(jīng)銷商id = info.xpath('.//dd/a/@data-val')[0] +','+ info.xpath('.//dd/a/@data-evalid')[0]
# 組合經(jīng)銷商信息請求地址
jxs_url = base_jxs_url+經(jīng)銷商id+'|'
# 請求數(shù)據(jù)（為json格式）
data = requests.get(jxs_url)
j = data.json()
# 獲取經(jīng)銷商名稱
item[key] = j['result']['List'][0]['CompanySimple']
else:
# 其他字段時，替換轉(zhuǎn)義字符和空格等為空
item[key] = info.xpath('.//dd/text()')[0].replace("\r\n","").replace(' ','').replace('\xa0','')
四、數(shù)據(jù)存儲
由于沒啥反爬，這里直接將采集到的數(shù)據(jù)轉(zhuǎn)化為pandas.DataFrame類型，然后存儲為xlsx文件即可。
df = pd.DataFrame(items)
df = df[['購買車型', '購買配置', '購買地點(diǎn)', '購車經(jīng)銷商', '購買時間', '裸車購買價']]
# 數(shù)據(jù)存儲在本地
df.to_excel(r'車輛銷售信息.xlsx',index=None,sheet_name='data')
五、采集結(jié)果預(yù)覽
整個爬蟲過程比較簡單，采集下來的數(shù)據(jù)也比較規(guī)范，以本文案例奧迪Q5L示例如下：
到此這篇關(guān)于Python爬蟲之自動采集某車之家各車銷售數(shù)據(jù)的文章就介紹到這了,更多相關(guān)Python采集汽車銷售數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python腳本實(shí)現(xiàn)自動登錄校園網(wǎng)
- python自動化運(yùn)維之Telnetlib的具體使用
- 還在手動蓋樓抽獎?教你用Python實(shí)現(xiàn)自動評論蓋樓抽獎(一)
- Python 如何實(shí)現(xiàn)文件自動去重
- python趣味挑戰(zhàn)之爬取天氣與微博熱搜并自動發(fā)給微信好友
- python 利用PyAutoGUI快速構(gòu)建自動化操作腳本
- Python實(shí)現(xiàn)智慧校園自動評教全新版
