通过selenium抓取某东的TT购买记录并分析趋势过程解析


						最近学习了一些爬虫技术，想做个小项目检验下自己的学习成果，在逛某东的时候，突然给我推荐一个TT的产品，点击进去浏览一番之后就产生了抓取TT产品，然后进行数据分析，看下那个品牌的TT卖得最好。

本文通过selenium抓取TT信息，存入到mongodb数据库中。

抓取TT产品信息

TT产品页面的连接是

http://list.jd.com/list.html?cat=9192,9196,1502&page=1&sort=sort_totalsales15_desc&trans=1&JL=6_0_0#J_main

上面有个page参数，表示第几页。改变这个参数就可以爬取到不同页面的TT产品。

通过开发者工具看下如果抓取TT的产品信息，例如名字、品牌、价格、评论数量等。





通过上图可以看到一个TT产品信息对应的源代码是一个class为gl-item的li节点<li class='gl-item'>。li节点中data-sku属性是产品的ID，后面抓取产品的评论信息会用到，brand_id是品牌ID。class为p-price的div节点对应的是TT产品的价格信息。class为p-comment的div节点对应的是评论总数信息。

开始使用requests是总是无法解析到TT的价格和评论信息，最后适应selenium才解决了这个问题，如果有人知道怎么解决这问题，望不吝赐教。

下面介绍抓取TT产品评论信息。

点击一个TT产品，会跳转到产品详细页面，点击“商品评论”，然后勾选上“只看当前商品评价”选项（如果不勾选，就会看到该系列产品的评价）就会看到商品评论信息，我们用开发者工具看下如果抓取评论信息。



如上图所示，在开发者工具中，点击Network选项，就会看到

http://club.jd.com/discussion/getSkuProductPageImageCommentList.action?productId=3521615&isShadowSku=0&callback=jQuery6014001&page=2&pageSize=10&_=1547042223100

的链接，这个链接返回的是json数据。其中productId就是TT产品页面的data-sku属性的数据。page参数是第几页评论。返回的json数据中，content是评论数，createTime是下单时间。

代码如下：





def parse_product(page,html):

  doc = pq(html)

  li_list = doc('.gl-item').items()

  for li in li_list:

    product_id = li('.gl-i-wrap').attr('data-sku')

    brand_id = li('.gl-i-wrap').attr('brand_id')

    time.sleep(get_random_time())

    title = li('.p-name').find('em').text()

    price_items = li('.p-price').find('.J_price').find('i').items()

    price = 0

    for price_item in price_items:

      price = price_item.text()

      break

    total_comment_num = li('.p-commit').find('strong a').text()

    if total_comment_num.endswith("万+"):

      print('总评价数量：' + total_comment_num)

      total_comment_num = str(int(float(total_comment_num[0:len(total_comment_num) -2]) * 10000))

      print('转换后总评价数量：' + total_comment_num)

    elif total_comment_num.endswith("+"):

      total_comment_num = total_comment_num[0:len(total_comment_num) - 1]

    condom = {}

    condom["product_id"] = product_id

    condom["brand_id"] = brand_id

    condom["condom_name"] = title

    condom["total_comment_num"] = total_comment_num

    condom["price"] = price

    comment_url = 'http://club.jd.com/comment/skuProductPageComments.action?callback=fetchJSON_comment98vv117396&productId=%s&score=0&sortType=5&page=0&pageSize=10&isShadowSku=0&fold=1'

    comment_url = comment_url %(product_id)

    response = requests.get(comment_url,headers = headers)

    if response.text == '':

      for i in range(0,10):

        time.sleep(get_random_time())

        try:

          response = requests.get(comment_url, headers=headers)

        except requests.exceptions.ProxyError:

          time.sleep(get_random_time())

          response = requests.get(comment_url, headers=headers)

        if response.text:

          break

        else:

          continue

    text = response.text

    text = text[28:len(text) - 2]

    jsons = json.loads(text)

    productCommentSummary = jsons.get('productCommentSummary')

    # productCommentSummary = response.json().get('productCommentSummary')

    poor_count = productCommentSummary.get('poorCount')

    general_count = productCommentSummary.get('generalCount')

    good_count = productCommentSummary.get('goodCount')

    comment_count = productCommentSummary.get('commentCount')

    poor_rate = productCommentSummary.get('poorRate')

    good_rate = productCommentSummary.get('goodRate')

    general_rate = productCommentSummary.get('generalRate')

    default_good_count = productCommentSummary.get('defaultGoodCount')

    condom["poor_count"] = poor_count

    condom["general_count"] = general_count

    condom["good_count"] = good_count

    condom["comment_count"] = comment_count

    condom["poor_rate"] = poor_rate

    condom["good_rate"] = good_rate

    condom["general_rate"] = general_rate

    condom["default_good_count"] = default_good_count

    collection.insert(condom)

    comments = jsons.get('comments')

    if comments:

      for comment in comments:

        print('解析评论')

        condom_comment = {}

        reference_time = comment.get('referenceTime')

        content = comment.get('content')

        product_color = comment.get('productColor')

        user_client_show = comment.get('userClientShow')

        user_level_name = comment.get('userLevelName')

        is_mobile = comment.get('isMobile')

        creation_time = comment.get('creationTime')

        guid = comment.get("guid")

        condom_comment["reference_time"] = reference_time

        condom_comment["content"] = content

        condom_comment["product_color"] = product_color

        condom_comment["user_client_show"] = user_client_show

        condom_comment["user_level_name"] = user_level_name

        condom_comment["is_mobile"] = is_mobile

        condom_comment["creation_time"] = creation_time

        condom_comment["guid"] = guid

        collection_comment.insert(condom_comment)

    parse_comment(product_id)

def parse_comment(product_id):

  comment_url = 'http://club.jd.com/comment/skuProductPageComments.action?callback=fetchJSON_comment98vv117396&productId=%s&score=0&sortType=5&page=%d&pageSize=10&isShadowSku=0&fold=1'

  for i in range(1,200):

    time.sleep(get_random_time())

    time.sleep(get_random_time())

    print('抓取第' + str(i) + '页评论')

    url = comment_url%(product_id,i)

    response = requests.get(url, headers=headers,timeout=10)

    print(response.status_code)

    if response.text == '':

      for i in range(0,10):

        print('抓取不到数据')

        response = requests.get(comment_url, headers=headers)

        if response.text:

          break

        else:

          continue

    text = response.text

    print(text)

    text = text[28:len(text) - 2]

    print(text)

    jsons = json.loads(text)

    comments = jsons.get('comments')

    if comments:

      for comment in comments:

        print('解析评论')

        condom_comment = {}

        reference_time = comment.get('referenceTime')

        content = comment.get('content')

        product_color = comment.get('productColor')

        user_client_show = comment.get('userClientShow')

        user_level_name = comment.get('userLevelName')

        is_mobile = comment.get('isMobile')

        creation_time = comment.get('creationTime')

        guid = comment.get("guid")

        id = comment.get("id")

        condom_comment["reference_time"] = reference_time

        condom_comment["content"] = content

        condom_comment["product_color"] = product_color

        condom_comment["user_client_show"] = user_client_show

        condom_comment["user_level_name"] = user_level_name

        condom_comment["is_mobile"] = is_mobile

        condom_comment["creation_time"] = creation_time

        condom_comment["guid"] = guid

        condom_comment["id"] = id

        collection_comment.insert(condom_comment)

    else:

      break



如果想要获取抓取TT数据和评论的代码，请关注我的公众号“python_ai_bigdata”,然后恢复TT获取代码。

一共抓取了8934条产品信息和17万条评论(购买)记录。

产品最多的品牌

先分析8934个产品，看下哪个品牌的TT在京东上卖得最多。由于品牌过多，京东上销售TT的品牌就有299个，我们只取卖得最多的前10个品牌。





从上面的图可以看出，排名第1的是杜杜，冈本次之，邦邦第3，前10品牌分别是杜蕾斯、冈本、杰士邦、倍力乐、名流、第六感、尚牌、赤尾、诺丝和米奥。这10个品牌中有5个是我没见过的，分别是倍力乐、名流、尚牌、赤尾和米奥，其他的都见过，特别是杜杜和邦邦常年占据各大超市收银台的醒目位置。

这10个品牌中，杜蕾斯来自英国，冈本来自日本，杰士邦、第六感、赤尾、米奥和名流是国产的品牌，第六感是杰士邦旗下的一个避孕套品牌；倍力乐是中美合资的品牌，尚牌来自泰国，诺丝是来自美国的品牌。

代码：





import pymongo 

import pandas as pd 

import numpy as np 

import matplotlib.pyplot as plt 

from pandas import DataFrame,Series

client = pymongo.MongoClient(host='localhost',port=27017) 

db = client.condomdb

condom_new = db.condom_new

cursor = condom_new.find() 

condom_df = pd.DataFrame(list(cursor)) 

brand_name_df = condom_df['brand_name'].to_frame()

brand_name_df['condom_num'] = 1

brand_name_group = brand_name_df.groupby('brand_name').sum()

brand_name_sort = brand_name_group.sort_values(by='condom_num', ascending=False)

brand_name_top10 = brand_name_sort.head(10)

# print(3 * np.random.rand(4))

index_list = []

labels = []

value_list = []

for index,row in brand_name_top10.iterrows():

  index_list.append(index)

  labels.append(index)

  value_list.append(int(row['condom_num']))

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

plt.rcParams['axes.unicode_minus']=False #用来正常显示负号



series_condom = pd.Series(value_list, index=index_list, name='')

series_condom.plot.pie(labels=labels,

         autopct='%.2f', fontsize=10, figsize=(10, 10))



卖得最好的产品



可以根据产品评价数量来判断一个产品卖得好坏，评价数最多的产品通常也是卖得最好的。

产品评论中有个产品评论总数的字段，我们就根据这个字段来排序，看下评论数量最多的前10个产品是什么（也就是评论数量最多的）。





从上图可以看出，卖得最好的还是杜杜的产品，10席中占了6席。杜杜的情爱四合一以1180000万的销量排名第一。

最受欢迎的是超薄的TT，占了8席，持久型的也比较受欢迎，狼牙套竟然也上榜了，真是大大的出乎我的意料。

销量分析



下图是TT销量最好的10天







可以看出这10天分别分布在6月、11月和12月，应该和我们熟知的618、双11和双12购物节有关。

现在很多电商都有自己的购物节，像618，双11和双12。由于一个产品最多只能显示100页的评论，每页10条评论，一个产品最多只能爬取到1000条评论，对于销量达到118万的情爱四合一来说，1000条评论不具有代表性，但是总的来说通过上图的分析，可以知道电商做活动的月份销量一般比较好。

下图是每个月份TT销售量柱状图，更加验证了上面的说法。







11月的销量最好，12月次之，6月份的销量第三。

购物平台







通过京东app购买TT的最多，91%的用户来自京东Android客户端和iphone客户端。6%的用户来自PC端，这几年4G的发展有关。

通过上面的分析可以知道，超薄的TT最受欢迎。杜杜的产品卖得最好，这和他们的营销方案有关，杜杜的文案可以称作教科书级的，每次发布文案都引起大家的讨论，堪称个个经典。移动客户端购买TT已经成为主流，占据90%以上的流量。