爬取 4400 条淘宝洗发水数据，拯救你的发际线！（附代码和数据集）
本文通过淘宝“防脱发洗发水”爬取和分析，来提供爬取海量淘宝商品信息的思路，除了基础爬虫外，还应该思考拿到类似的商品数据之后如何清洗，以及作为一个分析者可以从什么维度去分析。
作者 | 周志鹏
责编 | 仲培艺
其实，这篇文章灵感源自一个赌局：
程序员朋友小 A 又在和小 Z 抱怨脱发问题。
小 A：“以这样的掉发速度，我的发际线 1 年后将退化到后脑勺”。
“我听到身边 80% 的人都在抱怨自己的脱发问题”，小 Z 摸了摸自己的发际线心如止水。
小 A：”有危机就有商机，防脱发洗发水最近真的是卖爆了，特别在线上，绝对占了洗发水整个行业的半壁江山以上！”
小 Z 总能 Get 到奇怪的点：“你这样的说法不严谨，我觉得没有 50%”。
小 A 被奇葩的问题点给气到了：“你的点怎么那么怪！不然咱们打个赌好吗，我赌防脱发占了50%以上，谁输谁是孙子（zei）！”
只用了 3 分钟，小 Z 就拟定好分析思路，并得到了小 A 的认可：
以淘宝入手，爬到最近 30 天洗发水关键词的销售情况，再筛选出防脱发洗发水，看一看占比多少。（顺便还可以分析分析其他数据）
说干就干，打开淘宝，搜索“洗发水”，出来的是自然排序的结果（综合了销量、价格、搜索权重等），但我们想要相关商品按销量来排序，点击“按销量排序”。
数据爬取
Part1 观察并定位数据
我们想要哪些数据呢？
商品的价格、月收货（销售）人数、产品名称、店铺名称、店铺地址这几个比较直观的字段我们爬取哪几个呢？
小孩子才做选择，成年人必须全要！
虽然现在很多网址都是动态加载，需要审查元素来找相关地址，但我们在找之前，养成“先右键，选择查看源代码，看一看想要的数据有没有在静态网页”的习惯是极好的。
结果淘宝诚不欺我，所有我们想要的数据，都在源代码中，也就是说，我们用 Python 直接访问浏览器中的网址就可以得到目标数据。
认真看看源代码，找到更准确的定位
所有想要的数据都在一个类 JSON（可以先理解为字典）的字符串中，而前面还有几十行杂乱无章的字符，很乱，但不要紧，数据在总有办法找到他们的。
Part2 请求尝试
这里用一段话来比喻 Python 访问前的伪装：
你住在高档小区，小 P 这个坏小伙想伪装你进去做不可描述的事情。
他知道，门卫会根据身份象征来模糊判断是否是小区业主，所以小 P 先租了一套上档次的衣服和一辆称得上身份的豪车（可以理解为伪装 headers），果然混过了门卫。但是呢，小 P 进进出出太频繁，而且每次停车区域都不一样，引起了门卫的严重怀疑，在一个星期后，门卫升级检验系统，通过人脸识别来验证，小 P 被拒绝在外，但很快，小 P 就通过毁容级别的化妆术（伪装 cookies），完全伪装成你，竟然混过了人脸识别系统，随意出入，为所欲为。
导入相关的 Python 库
养成先修改 headers 的好习惯再访问：
看看状态码（200 表示正常访问）：
目前来说，还算正常，但堂堂淘宝这么简单的一个伪装就可以爬了？？？不科学！！不过先继续吧，精确定位到我们需要的数据字段。
上一步，我们发现所有的数据都在一个类 JSON 的字符串中，理应先精确定位他首尾的大括号（｛｝），尝试用 JSON 来高效解析。
首：
尾：
通过严密的排查（同学们这一步真的需要耐心去找），我们发现所有目标数据都被包裹在以 pageName 开头，shopcardOff 的字符中，如果能够完整截取这个大括号和里面的内容，就可以解析了：
结果，报错啊报错……
我们没有通过字符串定位拿到想要的数据，通过系统排查，发现问题出在访问，第一次访问虽然状态码是 200，但并没有返回源代码看到的数据：
到这里，是时候祭出万能的 cookies 了，操作方式，右键——审查元素——刷新网页——按照下面红框点选：
代码中进行伪装：
再次按照刚才的步骤来定位和解析数据：
一样的操作，没有报错，看来大功告“半”成！
Part3 精确定位目标数据
经过前面两步的铺垫，我们已经拿到了目标数据并解析成 JSON 格式，现在直接可以按照访问字典的方式来精确定位数据，非常暴力（至于内部的层级结构，需要大家耐心细致的自我寻找规律）：
Part4 循环爬取
循环爬取的关键就在于找到网址规律，构建多个网页，用上面的代码来循环访问。
我们在网页上点击下一页，再下一页，再下下一页，很容易发现，网站变化规律的核心就是最后面
s 的值，第一页是 0，第二页是 44，第三页是 88，So Easy~
构造一个自定义爬取页数的函数，只需要输入基础网址和要爬取的页数，要多灵活有多灵活：
接上一步的访问获取数据操作进行逐页访问，即实现了多页面爬取，部分结果预览如下：
至此，商品标题，价格，店铺名称，店铺地址，收货人数，商品的 URL 全部拿下，基于“防脱发洗发水”的基本数据爬取宣告完成。（完整代码在文章最后）
数据清洗
清洗之前，最好先明确分析的目的，小 Z 最核心的诉求是要知道脱发洗发水销售占整个洗发水大盘的比重，其次，想要进行一些其他分析，比如渠道（旗舰店、专营店、猫超等等分别占比）分布。
1. 数字相关字段规整
爬取数据非常规整，并没有缺失数据。
价格也是 OK 的，付款人数由于包含“人收货”这个后缀，需要规整为数字格式，一行代码就 OK：
2. 标注出脱发相关的产品
很明显，如果主打甚至仅仅包含防脱发功效的产品几乎都会在标题注明“脱发”字样（防字其实不用加），我们需要插入一个辅助列，根据“产品标题”来判断是不是防脱发洗发水。
Python 的 pandas 做起来是在是太高效了，还是一行代码：
注：等于 -1 表示在标题中没有找到“脱发”字样
“是否包含脱发字样”结果为 TRUE 则包含，FALSE 则不包含。
3. 引入一个销售指标
目前拿到的数字相关数据是“价格”、“收货人数”，用“价格” * “收货人数”引入一个“收货额”来衡量销售情况，依然是一行代码：
4. 区分店铺类别
大家都有多年购买经验，对于淘宝店铺分类其实不陌生，不外乎是“旗舰店”、“专卖店”、“专营店”、“天猫超市”、“C店”（其他淘宝店铺），这里需要对店铺关键字进行检索分类，先定义一个判断函数：
然后，life is short,and i use Python~
亦是一行代码搞定：
数据清洗基本完成。
数据分析
1. 核心目标
言归正传，目前“洗发水”类目体量巨大，（近 30 天）收货额达到了 1.49 亿元，其中防脱发洗发水以 5.43% 的数量占比实现 1118.04 万销售额，占比 7.50%，离半壁江山相差甚远，赌局胜负已定，恭喜小 Z 喜提孩子。
“孩子，在数据面前可不能吹牛啊”，小 Z 看着小 A 涨红了的脸语重心长道。
2. 价格分布
价格深度探究应该结合产品的数量、规格等特征，这里只是给到一个简单的思路抛砖引玉：
两款产品呈现出不同的分布形态，防脱发洗发水在价格上显得些许傲娇，产品在 50-100 元的价格段数量最多（占比 51.88%），其次是 0-50 元的平价款。
其他洗发水则随着价格升高而数量减少，0-50 元的产品占比最高，紧随其后的是 50-100 元的产品。
防脱发洗发水价格一般高于其他洗发水价格。
3、渠道分布
不同类型洗发水（防脱发与非防脱发）渠道策略有明显的差异（肯定跟品牌战略有关），其他洗发水渠道分布相对均衡，以“旗舰店”的 41% 为主，“天猫超市”为辅（29%），“C店”和“专卖店”分一小杯羹。
防脱发洗发水则高举旗舰店利剑（占比高达 77%+），其次则是各类 C店（11%），而在其他洗发水渠道表现优异的猫超在这里折戟，仅占比 3%。
看来，防脱发类功能产品高销售背后离不开品牌的背书支撑。（一般品牌才会开设旗舰店）
最后，附上完整代码和数据集：https://pan.baidu.com/share/init?surl=BoxzD26Q46xCM0eRYU6-7g，提取码：s3ve
作者：周志鹏，2年数据分析，深切感受到数据分析的有趣和学习过程中缺少案例的无奈，遂新开公众号「数据不吹牛」，定期更新数据分析相关技巧和有趣案例（含实战数据集），欢迎大家关注交流。
声明：本文为作者投稿，版权归其所有。
热 文 推 荐
☞ 华为怒发公开信；锤子手机难产罗永浩陷尴尬处境；苹果错失 5G | 极客头条
☞ 跨界打击, 23秒绝杀700智能合约! 41岁遗传学博士研究一年,给谷歌祭出秘密杀器！
☞ 90后美女学霸传奇人生：出身清华姚班，成斯坦福AI实验室负责人高徒
print_r('点个好看吧！');
var_dump('点个好看吧！');
NSLog(@"点个好看吧！");
System.out.println("点个好看吧！");
console.log("点个好看吧！");
print("点个好看吧！");
printf("点个好看吧！\n");
cout << "点个好看吧！" << endl;
Console.WriteLine("点个好看吧！");
fmt.Println("点个好看吧！");
Response.Write("点个好看吧！");
alert("点个好看吧！")
echo "点个好看吧！"
相关内容
微信扫码咨询专知VIP会员