原文连接: https://mp.weixin.qq.com/s/tQ...
家中想置办些家具,听朋友介绍说苏州蠡(li第二声)口的家具比较出名,由于工做在苏州,也去那边看过,简直...,走断双腿都逛不完,更况且还疲于逛街的。
也浏览过家具城的官网,本着在必定的预算范围之类挑选最合适的,做为一个程序猿,一颗不安分的心,决定本身爬虫下网站,列出个excel表格,也方便给父母辈们查看,顺带再练习下爬虫的。
一样后期实地再去购买时,也能够带上这份表格进行参考。
关于爬虫的文章还有另外两篇实战的: html
python itchat 爬取微信好友信息 python
python爬虫学习:爬虫QQ说说并生成词云图,回忆满满git
excel表格: github
词频统计: 数组
打开官网 http://www.likoujiaju.com/ ,能够看到分类,这里以「沙发」来举例。 微信
总共8页的数据,第一页的网址里 sell/list-66.html,第二页的sell/list-66-2.html,因此sell/list-66-1.html也就是第一页数据了,这样就更方便遍历网址来获取数据了。 app
同时这里使用BeautifulSoup
解析数据,F12查找标题、价格、图片对应的标签。python爬虫
def get_data(): # 定义一个列表存储数据 furniture = [] # 用于存放家具名,后续用于生成词频 title_all = "" # 分页数据获取 for num in range(1, 9): url = "http://www.likoujiaju.com/sell/list-66-%d.html" % num response = requests.get(url) content = BeautifulSoup(response.content, "lxml") # 找到数据所在的div块 sm_offer = content.find("div", class_="sm-offer") lis = sm_offer.ul.find_all("li") # 遍历每一条数据 for li in lis: # 价格 price_span = li.find("span", class_="sm-offer-priceNum") price = price_span.get_text() # 名称 title_div = li.find("div", class_="sm-offer-title") title = title_div.a.get_text() title_all = title_all + title + " " # 图片 photo_div = li.find("div", class_="sm-offer-photo") photo = photo_div.a.img.get("src") # 详情连接 href = photo_div.a.get("href") # 数组里每一项是元祖 furniture.append((price, title, photo, href)) # 排序 furniture.sort(key=take_price, reverse=True) # 生成excel create_excel(furniture, title_all)
爬取到的价格是string类型的,且有些价格并不明确的,因此这里须要对价格进行处理并排序,用到的list的sort(key=take_price)
方法,其中key=take_price
指定的方法,使用指定的方法去进行比较排序。学习
# 传参是列表的每个元素,这里即元祖 def take_price(enum): # 取元祖的第一个参数--价格,处理价格获得数值类型进行比较 price = enum[0] if "面议" in price: # 面议的话就设为0 return 0 start = price.index("¥") end = price.index("/") new_price = price[start + 1:end] return float(new_price)
再对列表进行排序操做,reverse=True
降序排列网站
furniture.sort(key=take_price, reverse=True)
这里采用的xlsxwriter
库,便于图片的插入,安装pip install xlsxwriter
主要用到的方法: xlsxwriter.Workbook("")
建立excel表格。 add_worksheet("")
建立工做表。 write(row, col, *args)
根据行、列坐标将数据写入单元格。 set_row(row, height)
设置行高。 set_column(first_col, last_col, width)
设置列宽,first_col
指定开始列位置,last_col
指定结束列位置。 insert_image(row, col, image[, options])
用于插入图片到指定的单元格
建立两个表,一个用于存放爬取的数据,一个用于存放词频。
# 建立excel def create_excel(furniture, title_all): # 建立excel表格 file = xlsxwriter.Workbook("furniture.xlsx") # 建立工做表1 sheet1 = file.add_worksheet("sheet1") # 定义表头 headers = ["价格", "标题", "图片", "详情连接"] # 写表头 for i, header in enumerate(headers): # 第一行为表头 sheet1.write(0, i, header) # 设置列宽 sheet1.set_column(0, 0, 24) sheet1.set_column(1, 1, 54) sheet1.set_column(2, 2, 34) sheet1.set_column(3, 3, 40) for row in range(len(furniture)): # 行 # 设置行高 sheet1.set_row(row + 1, 180) for col in range(len(headers)): # 列 # col=2是当前列为图片,经过url去读取图片展现 if col == 2: url = furniture[row][col] image_data = BytesIO(urlopen(url).read()) sheet1.insert_image(row + 1, 2, url, {"image_data": image_data}) else: sheet1.write(row + 1, col, furniture[row][col]) # 建立工做表2,用于存放词频 sheet2 = file.add_worksheet("sheet2") # 生成词频 word_count(title_all, sheet2) # 关闭表格 file.close()
目录下会生成 furniture.xlsx 表格
利用jieba分词对家具名进行分词处理,用字典保存各个名词的数量,写入到excel。
# 生成词频 def word_count(title_all, sheet): word_dict = {} # 结巴分词 word = jieba.cut(title_all) word_str = ",".join(word) # 处理掉特殊的字符 new_word = re.sub("[ 【】-]", "", word_str) # 对字符串进行分割出列表 word_list = new_word.split(",") for item in word_list: if item not in word_dict: word_dict[item] = 1 else: word_dict[item] += 1 # 对字典进行排序,按照数目排序 val = sorted(word_dict.items(), key=lambda x: x[1], reverse=True) # 写入excel for row in range(len(val)): for col in range(0, 2): sheet.write(row, col, val[row][col])
词频统计,实地去购买的时候,也能够根据相应的词汇去咨询卖家~
这篇文章用到的爬虫方面的知识仍是比较基础的,excel表格的生成也是xlsxwriter
库的使用,制做成表格也方便父母辈查看。固然,爬虫的数据还能够用在许多地方。
详细代码见
github地址:https://github.com/taixiang/furniture
欢迎关注个人博客:https://blog.manjiexiang.cn/
更多精彩欢迎关注微信号:春风十里不如认识你
有个「佛系码农圈」,欢迎你们加入畅聊,开心就好! 过时了,可加我微信 tx467220125 拉你入群。