目錄
- 一、目標網頁分析
- 二、數據請求
- 三、數據解析
- 四、數據存儲
- 五、采集結果預覽
一、目標網頁分析
目標網站是某車之家關于品牌汽車車型的口碑模塊相關數據，比如我們演示的案例奧迪Q5L的口碑頁面如下：
https://k.autohome.com.cn/4851/#pvareaid=3311678
為了演示方式，大家可以直接打開上面這個網址，然后拖到全部口碑位置，找到我們本次采集需要的字段如下圖所示：
采集字段
我們進行翻頁發現，瀏覽器網址發生了變化，大家可以對下如下幾頁的網址找出規律：
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
對于上面寫網址，我們發現可變部分是車型（如4851）以及頁碼（如2,3,4），于是我們可以構建url參數如下：
# typeid是車型，page是頁碼
url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'
二、數據請求
通過簡單的測試，發現似乎不存在反爬，那就簡單了。
我們先引入需要用到的庫：
import requests
import pandas as pd
import html
from lxml import etree
import re
然后創建一個數據請求的函數備用：
# 獲取網頁數據（傳遞參數 車型typeid和頁碼數）
def get_html(typeid,page):
# 組合出請求地址
url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'
# 請求數據（因為沒有反爬，這里沒有設置請求頭和其他參數）
r = requests.get(url)
# 請求的網頁數據中有網頁特殊字符，通過以下方法進行解析
r = html.unescape(r.text)
# 返回網頁數據
return r
請求來的數據就是網頁html文本，我們接下來采用re解析出一共多少頁碼，再用xpath進行采集字段的解析。
三、數據解析
由于需要進行翻頁，這里我們可以先通過re正則表達式獲取總頁碼。通過查看網頁數據，我們發現總頁碼可以通過如下方式獲取：
try:
pages = int(re.findall(r'共(\d+)頁',r)[0])
# 如果請求不到頁數，則表示該車型下沒有口碑數據
except :
print(f'{name} 沒有數據！')
continue
總頁碼采集
關于待采集字段信息，我們發現都在節點div[@class="mouthcon-cont-left"]里，可以先定位這個節點數據，然后再進行逐一解析。
待采集字段信息所在節點
此外，我們發現每一頁最多15個車型口碑數據，因此我們每頁可以定位15個待采集信息數據集，遍歷采集代碼：
divs = r_html.xpath('.//div[@class="mouthcon-cont-left"]')
# 遍歷每個全部的車輛銷售信息
for div in divs:
# 找到車輛銷售信息所在的地方
mt = div.xpath('./div[@class="choose-con mt-10"]')[0]
# 找到所需字段
infos = mt.xpath('./dl[@class="choose-dl"]')
# 設置空的字典，用于存儲單個車輛信息
item = {}
# 遍歷車輛信息字段
for info in infos:
key = info.xpath('.//dt/text()')[0]
# 當字段為購買車型時，進行拆分為車型和配置
if key == '購買車型':
item[key] = info.xpath('.//dd/a/text()')[0]
item['購買配置'] = info.xpath('.//span[@class="font-arial"]/text()')[0]
# 當字段為購車經銷商時，需要獲取經銷商的id參數，再調用api獲取其真實經銷商信息（這里有坑）
elif key == '購車經銷商':
# 經銷商id參數
經銷商id = info.xpath('.//dd/a/@data-val')[0] +','+ info.xpath('.//dd/a/@data-evalid')[0]
# 組合經銷商信息請求地址
jxs_url = base_jxs_url+經銷商id+'|'
# 請求數據（為json格式）
data = requests.get(jxs_url)
j = data.json()
# 獲取經銷商名稱
item[key] = j['result']['List'][0]['CompanySimple']
else:
# 其他字段時，替換轉義字符和空格等為空
item[key] = info.xpath('.//dd/text()')[0].replace("\r\n","").replace(' ','').replace('\xa0','')
四、數據存儲
由于沒啥反爬，這里直接將采集到的數據轉化為pandas.DataFrame類型，然后存儲為xlsx文件即可。
df = pd.DataFrame(items)
df = df[['購買車型', '購買配置', '購買地點', '購車經銷商', '購買時間', '裸車購買價']]
# 數據存儲在本地
df.to_excel(r'車輛銷售信息.xlsx',index=None,sheet_name='data')
五、采集結果預覽
整個爬蟲過程比較簡單，采集下來的數據也比較規范，以本文案例奧迪Q5L示例如下：
到此這篇關于Python爬蟲之自動采集某車之家各車銷售數據的文章就介紹到這了,更多相關Python采集汽車銷售數據內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- Python腳本實現自動登錄校園網
- python自動化運維之Telnetlib的具體使用
- 還在手動蓋樓抽獎?教你用Python實現自動評論蓋樓抽獎(一)
- Python 如何實現文件自動去重
- python趣味挑戰之爬取天氣與微博熱搜并自動發給微信好友
- python 利用PyAutoGUI快速構建自動化操作腳本
- Python實現智慧校園自動評教全新版
