原创 为了给小女友挑合适罩杯的内衣，我用 Python 爬了淘宝内衣店的数据！

编辑: 开发者最前线 & 可可| 作者：躲猫猫的猫，原文链接：https://www.cnblogs.com/zhaww/p/9636383.html大家好，希望各位能怀着正直、严谨、专业的心态观看这篇文章。ヾ(๑╹◡╹)ﾉ"老天真的对我不薄，让我终于有了女友，自从有了女友后，我为了能替女朋友买上一件心怡的内衣。接下来我们尝试用 Python 抓取天猫内衣销售数据，并分析得到中国女性普遍的罩杯数据、最受欢迎的内衣颜色是什么、评论的关键字。我们先看看分析得到的成果是怎样的？（讲的很详细，推荐跟着敲一遍）
　　（买个内衣这么开心）
图片看不清楚的话，可以把图片单独拉到另一个窗口。这里是分析了一万条数据得出的结论，可能会有误差，但是还是希望单身的你们能找到 0.06% 那一批妹纸。下面我会详细介绍怎么抓取天猫内衣销售数据，存储、分析、展示。

• 研究天猫网站

• 抓取天猫评论数据

• 存储、分析数据

• 可视化

研究天猫网站我们随意进入一个商品的购买界面（能看到评论的那个界面），F12 开发者模式 -- Network 栏 -- 刷新下界面 -- 在如图的位置搜索 list_ 会看到一个 list_detail_rate.htm?itemId= ….如下图：【单击】这个url 能看到返回的是一个 Json 数据 ，检查一下你会发现这串 Json 就是商品的评论数据 [ rateDetail ][ rateList ]【双击】这个url 你会得到一个新界面，如图看一下这个信息这里的路径 就是获取评论数据的 url了。这个 URL 有很多参数你可以分析一下每个值都是干嘛的。
itemId 对应的是商品id， sellerId  对应的是店铺id，currentPage 是当前页。这里 sellerId  可以填任意值，不影响数据的获取。抓取天猫评论数据写一个抓取天猫评论数据的方法。getCommentDetail# 获取商品评论数据
def getCommentDetail(itemId,currentPage):
    url =  https://rate.tmall.com/list_detail_rate.htm?itemId=  + str(
        itemId) +  &sellerId=2451699564&order=3¤tPage=  + str(currentPage) +  &append=0callback=jsonp336
    # itemId 产品id ；sellerId 店铺id 字段必须有值，但随意值就行
    html = common.getUrlContent(url)  # 获取网页信息
    # 删掉返回的多余信息
    html = html.replace( jsonp128( , ) #需要确定是不是 jsonp128
    html = html.replace( ) , )
    html = html.replace( false , "false" )
    html = html.replace( true , "true" )

    # 将string 转换为字典对象
    tmalljson = json.loads(html)
    return tmalljson
这里需要注意的是 jsonp128 这个值需要你自己看一下，你那边跟我这个应该是不同的。在上面的方法里有两个变量，itemId 和 currentPage 这两个值我们动态来控制，所以我们需要获得 一批 商品id号 和 评论的最大页数 用来遍历。写个获取商品评论最大页数的方法 getLastPage# 获取商品评论最大页数
def getLastPage(itemId):
    tmalljson = getCommentDetail(itemId,1)
    return tmalljson[ rateDetail ][ paginator ][ lastPage ] #最大页数
那现在怎么获取 产品的id 列表呢？我们可以在天猫中搜索商品关键字 用开发者模式观察这里观察一下这个页面的元素分布，很容易就发现了 商品的id 信息，当然你可以想办法确认一下。现在就写个 获取商品id 的方法 getProductIdList# 获取商品id
def getProductIdList():
    url =  https://list.tmall.com/search_product.htm?q=内衣  # q参数 是查询的关键字
    html = common.getUrlContent(url)  # 获取网页信息
    soup = BeautifulSoup(html, html.parser )
    idList = []
    # 用Beautiful Soup提取商品页面中所有的商品ID
    productList = soup.find_all( div , { class :  product })
    for product in productList:
        idList.append(product[ data-id ])
    return idList
现在所有的基本要求都有了，是时候把他们组合起来。在 main 方法中写剩下的组装部分if __name__ ==  __main__ :
    productIdList = getProductIdList() #获取商品id
    initial = 0
    while initial < len(productIdList) - 30:  # 总共有60个商品，我只取了前30个
        try:
            itemId = productIdList[initial]
            print( ---------- , itemId,  ------------ )
            maxPage = getLastPage(itemId) #获取商品评论最大页数
            num = 1
            while num <= maxPage and num < 20: #每个商品的评论我最多取20 页，每页有20条评论，也就是每个商品最多只取 400 个评论
                try:
                    # 抓取某个商品的某页评论数据
                    tmalljson = getCommentDetail(itemId, num)
                    rateList = tmalljson[ rateDetail ][ rateList ]
                    commentList = []
                    n = 0
                    while (n < len(rateList)):
                        comment = []
                        # 商品描述
                        colorSize = rateList[n][ auctionSku ]
                        m = re.split( [:;] , colorSize)
                        rateContent = rateList[n][ rateContent ]
                        dtime = rateList[n][ rateDate ]
                        comment.append(m[1])
                        comment.append(m[3])
                        comment.append( 天猫 )
                        comment.append(rateContent)
                        comment.append(dtime)
                        commentList.append(comment)
                        n += 1
                    print(num)
                    sql = "insert into bras(bra_id, bra_color, bra_size, resource, comment, comment_time)  value(null, %s, %s, %s, %s, %s)"
                    common.patchInsertData(sql, commentList) # mysql操作的批量插入
                    num += 1
                except Exception as e:
                    num += 1
                    print(e)
                    continue
            initial += 1
        except Exception as e:
            print(e)
所有的代码就这样完成了，我现在把 common.py 的代码，还有 tmallbra.py 的代码都贴出来# -*- coding:utf-8 -*-
# Author: zww
import requests
import time
import random
import socket
import http.client
import pymysql
import csv

# 封装requests
class Common(object):
    def getUrlContent(self, url, data=None):
        header = {
             Accept :  text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8 ,
             Accept-Encoding :  gzip, deflate, br ,
             Accept-Language :  zh-CN,zh;q=0.9,en;q=0.8 ,
             user-agent : "User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.94 Safari/537.36",
             cache-control :  max-age=0
        }  # request 的请求头
        timeout = random.choice(range(80, 180))
        while True:
            try:
                rep = requests.get(url, headers=header, timeout=timeout)  # 请求url地址，获得返回 response 信息
                # rep.encoding =  utf-8
                break
            except socket.timeout as e:  # 以下都是异常处理
                print( 3: , e)
                time.sleep(random.choice(range(8, 15)))
            except socket.error as e:
                print( 4: , e)
                time.sleep(random.choice(range(20, 60)))
            except http.client.BadStatusLine as e:
                print( 5: , e)
                time.sleep(random.choice(range(30, 80)))
            except http.client.IncompleteRead as e:
                print( 6: , e)
                time.sleep(random.choice(range(5, 15)))
        print( request success )
        return rep.text  # 返回的 Html 全文

    def writeData(self, data, url):
        with open(url,  a , errors= ignore , newline= ) as f:
            f_csv = csv.writer(f)
            f_csv.writerows(data)
        print( write_csv success )

    def queryData(self, sql):
        db = pymysql.connect("localhost", "zww", "960128", "test")
        cursor = db.cursor()
        results = []
        try:
            cursor.execute(sql)    #执行查询语句
            results = cursor.fetchall()
        except Exception as e:
            print( 查询时发生异常  + e)
            # 如果发生错误则回滚
            db.rollback()
        # 关闭数据库连接
        db.close()
        return results
        print( insert data success )

    def insertData(self, sql):
        # 打开数据库连接
        db = pymysql.connect("localhost", "zww", "000000", "zwwdb")
        # 使用 cursor() 方法创建一个游标对象 cursor
        cursor = db.cursor()

        try:
            # sql = "INSERT INTO WEATHER(w_id, w_date, w_detail, w_temperature) VALUES (null,  %s , %s , %s )" % (data[0], data[1], data[2])
            cursor.execute(sql)    #单条数据写入
            # 提交到数据库执行
            db.commit()
        except Exception as e:
            print( 插入时发生异常  + e)
            # 如果发生错误则回滚
            db.rollback()
        # 关闭数据库连接
        db.close()
        print( insert data success )

    def patchInsertData(self, sql, datas):
        # 打开数据库连接
        db = pymysql.connect("localhost", "zww", "960128", "test")
        # 使用 cursor() 方法创建一个游标对象 cursor
        cursor = db.cursor()

        try:
            # 批量插入数据
            # cursor.executemany( insert into WEATHER(w_id, w_date, w_detail, w_temperature_low, w_temperature_high) value(null, %s,%s,%s,%s) ,datas)
            cursor.executemany(sql, datas)

            # 提交到数据库执行
            db.commit()
        except Exception as e:
            print( 插入时发生异常  + e)
            # 如果发生错误则回滚
            db.rollback()
        # 关闭数据库连接
        db.close()
        print( insert data success )
上面需要注意，数据库的配置。# -*- coding:utf-8 -*-
# Author: zww

from Include.commons.common import Common
from bs4 import BeautifulSoup
import json
import re
import pymysql

common = Common()

# 获取商品id
def getProductIdList():
    url =  https://list.tmall.com/search_product.htm?q=内衣  # q参数 是查询的关键字，这要改变一下查询值，就可以抓取任意你想知道的数据
    html = common.getUrlContent(url)  # 获取网页信息
    soup = BeautifulSoup(html, html.parser )
    idList = []
    # 用Beautiful Soup提取商品页面中所有的商品ID
    productList = soup.find_all( div , { class :  product })
    for product in productList:
        idList.append(product[ data-id ])
    return idList

# 获取商品评论数据
def getCommentDetail(itemId,currentPage):
    url =  https://rate.tmall.com/list_detail_rate.htm?itemId=  + str(
        itemId) +  &sellerId=2451699564&order=3¤tPage=  + str(currentPage) +  &append=0callback=jsonp336
    # itemId 产品id ；sellerId 店铺id 字段必须有值，但随意值就行
    html = common.getUrlContent(url)  # 获取网页信息
    # 删掉返回的多余信息
    html = html.replace( jsonp128( , ) #需要确定是不是 jsonp128
    html = html.replace( ) , )
    html = html.replace( false , "false" )
    html = html.replace( true , "true" )

    # 将string 转换为字典对象
    tmalljson = json.loads(html)
    return tmalljson

# 获取商品评论最大页数
def getLastPage(itemId):
    tmalljson = getCommentDetail(itemId,1)
    return tmalljson[ rateDetail ][ paginator ][ lastPage ] #最大页数

if __name__ ==  __main__ :
    productIdList = getProductIdList() #获取商品id
    initial = 0
    while initial < len(productIdList) - 30:  # 总共有60个商品，我只取了前30个
        try:
            itemId = productIdList[initial]
            print( ---------- , itemId,  ------------ )
            maxPage = getLastPage(itemId) #获取商品评论最大页数
            num = 1
            while num <= maxPage and num < 20: #每个商品的评论我最多取20 页，每页有20条评论，也就是每个商品最多只取 400 个评论
                try:
                    # 抓取某个商品的某页评论数据
                    tmalljson = getCommentDetail(itemId, num)
                    rateList = tmalljson[ rateDetail ][ rateList ]
                    commentList = []
                    n = 0
                    while (n < len(rateList)):
                        comment = []
                        # 商品描述
                        colorSize = rateList[n][ auctionSku ]
                        m = re.split( [:;] , colorSize)
                        rateContent = rateList[n][ rateContent ]
                        dtime = rateList[n][ rateDate ]
                        comment.append(m[1])
                        comment.append(m[3])
                        comment.append( 天猫 )
                        comment.append(rateContent)
                        comment.append(dtime)
                        commentList.append(comment)
                        n += 1
                    print(num)
                    sql = "insert into bras(bra_id, bra_color, bra_size, resource, comment, comment_time)  value(null, %s, %s, %s, %s, %s)"
                    common.patchInsertData(sql, commentList) # mysql操作的批量插入
                    num += 1
                except Exception as e:
                    num += 1
                    print(e)
                    continue
            initial += 1
        except Exception as e:
            print(e)
存储、分析数据所有的代码都有了，就差数据库的建立了。我这里用的是 MySql 数据库。CREATE TABLE `bra` (
`bra_id`  int(11) NOT NULL AUTO_INCREMENT COMMENT  id  ,
`bra_color`  varchar(25) NULL COMMENT  颜色  ,
`bra_size`  varchar(25) NULL COMMENT  罩杯  ,
`resource`  varchar(25) NULL COMMENT  数据来源  ,
`comment`  varchar(500) CHARACTER SET utf8mb4 DEFAULT NULL COMMENT  评论  ,
`comment_time`  datetime NULL COMMENT  评论时间  ,
PRIMARY KEY (`bra_id`)
) character set utf8
;这里有两个地方需要注意， comment 评论字段需要设置编码格式为 utf8mb4  ，因为可能有表情文字。还有表需要设置为 utf8 编码，不然存不了中文。
建好了表，就可以完整执行代码了。（这里的执行可能需要点时间，可以做成多线程的方式）。看一下执行完之后，数据库有没有数据。数据是有了，但是有些我们多余的文字描述，我们可以稍微整理一下。
update bra set bra_color = REPLACE(bra_color, 2B6521-无钢圈4- , );
update bra set bra_color = REPLACE(bra_color, -1 , );
update bra set bra_color = REPLACE(bra_color, 5 , );
update bra set bra_size = substr(bra_size,1,3);
这里需要根据自己实际情况来修改。如果数据整理的差不多了，我们可以分析一下数据库的信息。select  A罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %A
union all select  B罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %B
union all select  C罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %C
union all select  D罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %D
union all select  E罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %E
union all select  F罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %F
union all select  G罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %G
union all select  H罩杯  as 罩杯, CONCAT(ROUND(COUNT(*)/(select count(*) from bra) * 100, 2) , "%") as 比例, COUNT(*) as 销量  from bra where bra_size like  %H
order by 销量 desc;
　　（想知道是哪6位小姐姐买的 G (～￣▽￣)～ ）
数据可视化数据的展示，我用了是 mycharts 模块，如果不了解的可以去学习一下http://pyecharts.org/#/zh-cn/prepare这里我就不细说了，直接贴代码看# encoding: utf-8
# author zww

from pyecharts import Pie
from Include.commons.common import Common


if __name__ ==  __main__ :
    common = Common()
    results = common.queryData("""select count(*) from bra where bra_size like  %A  
            union all select count(*) from bra where bra_size like  %B  
            union all select count(*) from bra where bra_size like  %C  
            union all select count(*) from bra where bra_size like  %D  
            union all select count(*) from bra where bra_size like  %E  
            union all select count(*) from bra where bra_size like  %F  
            union all select count(*) from bra where bra_size like  %G """)  # 获取每个罩杯数量
    attr = ["A罩杯",  G罩杯 , "B罩杯", "C罩杯", "D罩杯", "E罩杯", "F罩杯"]
    v1 = [results[0][0], results[6][0], results[1][0], results[2][0], results[3][0], results[4][0], results[5][0]]
    pie = Pie("内衣罩杯", width=1300, height=620)
    pie.add("", attr, v1, is_label_show=True)
    pie.render( size.html )
    print( success )

    results = common.queryData("""select count(*) from bra where bra_color like  %肤%  
        union all select count(*) from bra where bra_color like  %灰%  
        union all select count(*) from bra where bra_color like  %黑%  
        union all select count(*) from bra where bra_color like  %蓝%  
        union all select count(*) from bra where bra_color like  %粉%  
        union all select count(*) from bra where bra_color like  %红%  
        union all select count(*) from bra where bra_color like  %紫%   
        union all select count(*) from bra where bra_color like  %绿%  
        union all select count(*) from bra where bra_color like  %白%  
        union all select count(*) from bra where bra_color like  %褐%  
        union all select count(*) from bra where bra_color like  %黄%  """)  # 获取每个罩杯数量
    attr = ["肤色",  灰色 , "黑色", "蓝色", "粉色", "红色", "紫色",  绿色 , "白色", "褐色", "黄色"]
    v1 = [results[0][0], results[1][0], results[2][0], results[3][0], results[4][0], results[5][0], results[6][0], results[7][0], results[8][0], results[9][0], results[10][0]]
    pieColor = Pie("内衣颜色", width=1300, height=620)
    pieColor.add("", attr, v1, is_label_show=True)
    pieColor.render( color.html )
    print( success )
这一章就到这里了，该知道的你也知道了，不该知道的你也知道了。哪些人是G杯，哪些妹子是A杯，以后找对象就不用担心这块的了。代码已放到github, 点击文末阅读原文，获取全部源码。