自动采集数据(Python爬虫之自动采集某车之家各车各车销售数据内容分析)

　　自动采集数据(Python爬虫之自动采集某车之家各车各车销售数据内容分析)

　　一、落地页分析

　　目标网站是汽车之家关于品牌车型的口碑模块相关数据。比如我们展示的奥迪Q5L的口碑页面如下：

　　为了演示方式，可以直接打开上面的网址，然后拖到所有口碑位置，找到我们这次需要的字段采集如下图:

　　

　　采集字段

　　我们翻了一页，发现浏览器的网址变了。您可以找到以下页面的 URL 规则：

　　

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

　　对于上面写的URL，我们发现变量部分是车辆型号（比如4851）和页码（比如2,3,4）），所以我们可以构造URL参数如下：

　　

# typeid是车型，page是页码

url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'

　　二、数据请求

　　通过简单的测试，好像没有防爬，所以简单。

　　首先介绍一下我们需要的库：

　　

import requests

import pandas as pd

import html

from lxml import etree

import re

　　然后创建一个数据请求函数作为备份：

　　

# 获取网页数据（传递参数 车型typeid和页码数）

def get_html(typeid,page):

    # 组合出请求地址

    url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'

    # 请求数据（因为没有反爬，这里没有设置请求头和其他参数）

    r = requests.get(url)

    # 请求的网页数据中有网页特殊字符，通过以下方法进行解析

    r = html.unescape(r.text)

    # 返回网页数据

    return r

　　请求的数据是网页的html文本。接下来我们使用re解析出总页数，然后使用xpath解析采集字段。

　　三、数据分析

　　因为需要翻页，这里我们可以先通过re正则表达式得到总页数。通过查看网页数据，我们发现可以通过以下方式获得总页数：

　　

try:

pages = int(re.findall(r'共(\d+)页',r)[0])

# 如果请求不到页数，则表示该车型下没有口碑数据

except :

print(f'{name} 没有数据！')

continue

　　

　　总页码采集

　　关于字段信息为采集，我们发现它们都在节点div[@class="mouthcon-cont-left"]中。可以先定位节点数据，然后一一分析。

　　

　　成为采集字段信息所在的节点

　　另外，我们发现每页最多有15条车模口碑数据，所以可以定位到每页15个数据集为采集信息数据集，遍历采集的代码@采集：

　　

divs = r_html.xpath('.//div[@class="mouthcon-cont-left"]')

# 遍历每个全部的车辆销售信息

for div in divs:

    # 找到车辆销售信息所在的地方

    mt = div.xpath('./div[@class="choose-con mt-10"]')[0]

    # 找到所需字段

    infos = mt.xpath('./dl[@class="choose-dl"]')

    # 设置空的字典，用于存储单个车辆信息

    item = {}

    # 遍历车辆信息字段

    for info in infos:

        key = info.xpath('.//dt/text()')[0]

        # 当字段为购买车型时，进行拆分为车型和配置

        if key == '购买车型':

            item[key] = info.xpath('.//dd/a/text()')[0]

            item['购买配置'] = info.xpath('.//span[@class="font-arial"]/text()')[0]

        # 当字段为购车经销商时，需要获取经销商的id参数，再调用api获取其真实经销商信息（这里有坑）

        elif key == '购车经销商':

            # 经销商id参数

            经销商id = info.xpath('.//dd/a/@data-val')[0] +','+ info.xpath('.//dd/a/@data-evalid')[0]

            # 组合经销商信息请求地址

            jxs_url = base_jxs_url+经销商id+'|'

            # 请求数据（为json格式）

            data = requests.get(jxs_url)

            j = data.json()

            # 获取经销商名称

            item[key] = j['result']['List'][0]['CompanySimple']

        else:

            # 其他字段时，替换转义字符和空格等为空

            item[key] = info.xpath('.//dd/text()')[0].replace("\r\n","").replace(' ','').replace('\xa0','')

　　四、数据存储

　　由于没有防爬，这里可以直接将采集接收到的数据转换成pandas.DataFrame类型，然后存为xlsx文件。

　　

df = pd.DataFrame(items)

df = df[['购买车型', '购买配置', '购买地点', '购车经销商', '购买时间', '裸车购买价']]

# 数据存储在本地

df.to_excel(r'车辆销售信息.xlsx',index=None,sheet_name='data')

　　五、采集结果预览

　　整个爬取过程比较简单，下下来的数据采集也比较规范。本文以奥迪Q5L为例：

　　

　　这篇关于Python自动爬虫采集汽车销量数据文章的介绍就到这里，更多Python采集汽车销量数据内容请搜索之前的文章 Script Home 或继续浏览下面的相关文章。希望大家以后多多支持Script Home！