本文轉(zhuǎn)載至微信公眾號「大數(shù)據(jù)前沿」，已獲取授權

下載W3Cschool手機App，0基礎隨時隨地學編程>>戳此了解

導言

二胖最近在逛京東的時候偶然發(fā)現(xiàn)：MM們購買bra的記錄上竟然留下了尺寸和顏色等信息，我當時就想，要不要抓點數(shù)據(jù)下來看看啊

然后就有了這篇文章~~~

Let's go!

在抓數(shù)據(jù)前，先給各位男性朋友科普一下，這個size信息到底怎么看（ps:我也是在網(wǎng)上查的(⊙o⊙)…）

70B,80C...到底啥意思？

數(shù)字的意思是下胸圍，是水平圍繞胸部底部一周的長度，即胸部下圍尺寸，單位是厘米。

如果下胸圍在68cm~72cm之間，那么就可以選擇70碼。

然后ABCDEFGH就是size了，請自行體會~~~

所以一個尺碼是由兩個參數(shù)組成~

分類

二胖發(fā)現(xiàn)，一款產(chǎn)品并不是所有的尺寸都有，比如下面的兩張圖，第一款產(chǎn)品的尺寸只有ABC,而第二款產(chǎn)品的尺寸是B-F。

很少有一款產(chǎn)品所有尺寸都有。

所以，很難僅從一款產(chǎn)品推測出所有人的購買趨勢。

這里，二胖選擇了把小號(ABC)和大號(B-F)分開討論，并且每種型號各抓取三個不同的品牌來進行統(tǒng)計。

在這種情況下，數(shù)據(jù)不一定準確，但是至少能體現(xiàn)出大家的購買趨勢。

參數(shù)選擇

這里我們就選擇三個參數(shù)來分析，分別是產(chǎn)品的尺寸(你懂的，就是大小)，產(chǎn)品的顏色以及用戶購買產(chǎn)品的平臺。

小號(A-C)

小號指的是僅有ABC尺碼的產(chǎn)品，這里統(tǒng)計了3款不同的產(chǎn)品，合計3000條交易記錄。

1.尺碼

從統(tǒng)計結(jié)果來看，小號產(chǎn)品中，75B和80B賣的最好。

2.顏色

在小號產(chǎn)品中，黑色最受用戶青睞，也許是相對比較性感？

3.購物平臺

總的來說，還是從京東App購買的用戶最多，但也可以看到，有8%的用戶是在微信平臺上進行交易，這已經(jīng)是一個不小的數(shù)字了。

大號(B-F)

1.尺碼

大號指的是尺碼在B-F之間的產(chǎn)品，和小號一樣，也是統(tǒng)計了3款不同的產(chǎn)品，合計3000條交易記錄。

大號產(chǎn)品的尺寸稍微多一些，從B-F都有，不過從大家的購買記錄來看，還是B占據(jù)了大頭，B和C加起來已經(jīng)超過了三分之二。

2.顏色

可能是由于具體產(chǎn)品的影響，大號和小號的顏色差別還挺大，大號最受歡迎的顏色是酒紅色，其次是紫色，不明覺厲~~

3.購物平臺

從購買來源上來說，兩種型號的產(chǎn)品差別不大，大多數(shù)用戶都是通過京東App購買的，不過也有細微的差別。

購買小號產(chǎn)品的用戶比購買大號產(chǎn)品的用戶更喜歡用iphone（大約高了4%）。

文件下載

代碼github地址：https://github.com/yangxuanxc/jingdong_crawler
視頻地址：https://v.qq.com/x/page/g0732q8orka.html

如對GitHub不熟悉，可前往下面的百度網(wǎng)盤進行下載

百度網(wǎng)盤下載鏈接: https://pan.baidu.com/s/1KUaYDn4_Vnfl1yaUR-DwrQ

密碼: gez5

技術分解

看完了上面的分析，我們來看看是如何將數(shù)據(jù)抓取下來的。

代碼和視頻講解的鏈接放在了留言區(qū)，需要的同學自取~

上次給大家介紹了使用Java抓取微博數(shù)據(jù)，而這次爬蟲使用的是Python的爬蟲框架Scrapy。

主要流程代碼如下：

# -*- coding: utf-8 -*-
import scrapy
from scrapy import Request
import json
import math
import time
import re

class BraSpider(scrapy.Spider):
    name = 'bra'

    headers = {
        ":authority": "sclub.jd.com",
        ":method": "GET",
        ":scheme": "https",
        "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",
        "cache-control": "max-age=0",
        "upgrade-insecure-requests": "1",
        "cookie":"t=8444fb486c0aa650928d929717a48022; _tb_token_=e66e31035631e; cookie2=104997325c258947c404278febd993f7",
        "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",
    }

    base_url = "https://sclub.jd.com/comment/productPageComments.action?productId=17209509645&score=0&sortType=5&pageSize=10&page=%d"

    def start_requests(self):
        for page in range(1,100):
            url = self.base_url%page
            print(url)
            self.headers[':path'] = url
            yield Request(url, self.parse,headers = self.headers)
            #time.sleep(2)

    def parse(self, response):
        content = json.loads(response.text)
        comments = content['comments']
        for comment in comments:
            item = {}
            item['content'] = comment['content']#評論正文
            item['guid'] = comment['guid']#用戶id
            item['id'] = comment['id']#評論id
            item['time'] = comment['referenceTime']#評論時間
            item['color'] = self.parse_kuohao(comment['productColor'])#商品顏色
            item['size'] = self.parse_kuohao(comment['productSize'])#商品尺碼
            item['userClientShow'] = comment['userClientShow']#購物渠道
            print(item)
            yield item

    #干掉括號
    def parse_kuohao(self,text):
        new_text = text
        searchObj1 = re.search( r'（.+）', text, re.M|re.I)
        searchObj2 = re.search( r'\(.+\)', text, re.M|re.I)
        if searchObj1:
            text = searchObj1.group().strip()
            new_text = text.replace(text,'').strip()

        if searchObj2:
            text = searchObj2.group().strip()
            new_text = text.replace(text,'').strip()

        return new_text

除了代碼，二胖也錄制了一個小視頻教大家如何運行上面那段代碼。

附上視頻：