用Scrapy爬取分析了7万款Iphone12，结果万万没想到！

文 | 酷头

来源：印象python「ID: python_logic」

嗨！大家好，我是酷头

欢迎来到学习python的宝藏基地~~~

长按下方二维码可以添加我为好友哦

需求分析

Iphone13出来了，但是Iphone12依然香啊！

好不好，我们去网易严选看看便知~~

所以我们今天的目标就是使用scrapy抓取网易严选Iphone12评论数据，看看到底值不值得入手！

scrapy项目创建如下：

网页分析

找到网页真实请求连接，可以看到数据实际上存储在json格式数据集里面

所以我们第一步必须先获取到这一整个json数据集。

为了防止被网站防爬，我们还需在setting.py加上ua，如下：

我们使用浏览器打开请求连接可以更加直观的观察数据格式。

发送请求

我们要此次要抓取的数据一共有7个，分别如下所示：

我们先在items中定义好我们要获取的数据

    # 名称
    name = scrapy.Field()

    # 等级
    level = scrapy.Field()

    # 评分
    star = scrapy.Field()

    # 时间
    rls_time = scrapy.Field()

    # 颜色
    color = scrapy.Field()

    # 内存
    storage = scrapy.Field()

    # 评论
    content = scrapy.Field()

刚才我们已经成功分析出来要获取的数据集合是一个json格式的，

scrapy已经帮我们请求好了，我们直接打印

ic(response.json())

浏览器成功响应给我们信息，这样看起来结构一目了然。

接下来我们要做的就是获取json格式中的commentList信息，因为我们需要的信息都在这个里面

phone_list = phone_info['data']['commentList']

# 打印所需信息
for phone in phone_list:

    # 名称
    item['name'] = phone['frontUserName']

    # 等级
    item['level'] = phone['memberLevel']

    # 评分
    item['star'] = phone['star']

    # 时间
    rls_time = phone['createTime']
    item['rls_time'] = time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(rls_time/1000)).split(' ')[0]

    # 颜色
    item['color'] = phone['skuInfo'][0].split(':')[1]

    # 内存
    item['storage'] = phone['skuInfo'][1].split(':')[1]
    
    # 评论
    item['content'] = phone['content']
    
    yield item

数据成功获取到，最后我们把它扔给Pipeline，让他自己去下载好了

你可以选择自己想要保存的格式。

数据保存

我一般为了后续的数据分析和可视化专门写了一个可以直接保存在excel的函数，如下：

class ExcelPipeline:

  op.Workbook()
  self.wb.active
  ws.append(['用户名称', '会员等级', '手机评分', '评论时间', '手机颜色', '手机内存', '评论'])

  self.wb.save('../网易.xlsx')
  print('网易数据成功保存！')

直接运行数据就会保存在我们本地啦！（部分数据如下）

数据清洗

我们在此使用pandas对数据进行读取然后去重复和去除空值处理。

随机抽取五条数据展示如下：

pd.set_option('display.max_columns', None)   # 显示完整的列
pd.set_option('display.max_rows', None)  # 显示完整的行
pd.set_option('display.expand_frame_repr', False)  # 设置不折叠数据

# 读取数据
rcv_data = pd.read_excel('../网易.xlsx')

# 删除重复记录和缺失值
rcv_data = rcv_data.drop_duplicates()
rcv_data = rcv_data.dropna()

# 抽样展示
print(rcv_data.sample(5))

'''
  用户名称  会员等级  手机评分        评论时间   手机颜色  手机内存                      评论
  7    赵****豪     5     5  2021-03-05     黑色  128G                没买2天又便宜了
  42   用****4     5     5  2021-06-23  返红包黑色  128G            手机非常好用，老婆很喜欢
  268  独****息     6     5  2021-06-04  返红包绿色  256G             发货很快，第二天就到了
  144  1****5     5     5  2021-02-27     黑色  128G                 没啥可说的 好
  97   用****4     5     5  2021-06-05  返红包白色  128G  发货快，物流也给力，包装保护的好，正品没问题
'''

词云可视化

词云图展示如下：看来Iphone12依旧还是很香的，虽然13出来了

但是依旧值得入手！

词频可视化

我们提取网易手机评论前十大高频词汇如下：

# 词频设置
all_words = [word for word in result.split(' ') if len(word) > 1 and word not in stop_words]
wordcount = Counter(all_words).most_common(10)

'''
('非常', '不错', '手机', '好好', '很快', '发货', '喜欢', '正品', '物流', '速度')
(65, 48, 45, 36, 32, 32, 31, 30, 29, 29)
'''

使用pyecharts绘制可视化大屏图展示如下：

评分可视化

我们使用pandas提取手机评分数据以及频率，数据可视化展示如下：

从图中可以非常直观的看出苹果12的受欢迎程度。

# 划分价格区间
rcv_data['手机评分'] = pd.cut(rcv_data['手机评分'], [0, 1, 2, 5], labels=['差评', '中评', '好评'])

# 统计数量
stars = rcv_data['手机评分'].value_counts()
stars1 = stars.index.tolist()  # 人气值分类
stars2 = stars.tolist()   # 人气值分类对应数量

'''
['好评', '差评', '中评']
[308, 9, 2]
'''

购机时间可视化

我们爬取的数据都是在2021年，接下来我们提取事件中的月份数据，

来看看大家普遍的下单时间集中在哪几个月份？

# 提取时间月份
rcv_data['评论时间'] = rcv_data['评论时间'].map(lambda x: x.split('-')[1])
rcv_data['评论时间'] = pd.cut(rcv_data['评论时间'], ['00', '01', '02', '03', '04', '05', '06', '07', '08', '09'], labels=['一月', '二月', '三月', '四月', '五月', '六月', '七月', '八月', '九月'])

# 统计数量
dates = rcv_data['评论时间'].value_counts()
dates1 = dates.index.tolist()  # 月份分类
dates2 = dates.tolist()  # 月份分类对应数量

'''
['六月', '三月', '四月', '九月', '二月', '七月', '一月', '五月', '八月']
[95, 66, 34, 33, 22, 20, 18, 16, 15]
'''

从图中可以很直观的看到大家的下单日期大多集中在六月份

年终奖6月发吗

内存大小可视化

接下来我们对手机内存进行可视化分析，看看大家喜欢的内存是多大？

storage = rcv_data['手机内存'].value_counts()
storage1 = storage.index.tolist()  # 内存种类
storage2 = storage.tolist()  # 内存种类对应数量

'''
['128G', '256G', '64G']
[221, 81, 18]
'''

64太小，256浪费

128G才是真爱啊！

手机颜色可视化

关于Iphone的颜色，哪一种最受欢迎呢？

# 颜色分布
rcv_datas = rcv_data[rcv_data['手机颜色'].str.len()==2]
colors = rcv_datas['手机颜色'].value_counts()
colors1 = colors.index.tolist()  # 内存种类
colors2 = colors.tolist()  # 内存种类对应数量

'''
['白色', '黑色', '红色', '绿色', '蓝色', '紫色']
[73, 56, 31, 30, 23, 15]
'''

通过下图看出，大众选择都是喜欢白色的

相反紫色是最不容易撞衫的

END

【印象python】交流群正式开放啦！

欢迎扫码添加老邓好友，通过后拉你入群。