Python利用代理IP爬取当当网数据做数据分析

见贤思齐

前言        在数字化浪潮的推动下，电商平台已经彻底改变了我们的购物方式。从简单的在线交易到复杂的用户交互，电商平台积累了海量的用户数据。这些数据，如同隐藏在深海中的宝藏，等待着被发掘和利用。通过分析用户的浏览、搜索、购买等行为，商家可以更准确地理解用户需求，提供个性化的推荐和服务。这不仅能够提升用户的购物体验，还能增加用户粘性和忠诚度。此外，电商平台数据分析在库存管理、价格策略制定、竞争分析、风险管理等方面也发挥着重要作用。它能够帮助商家优化库存，制定合理的定价策略，了解竞争对手的市场表现，以及及时发现并应对潜在的风险。在本文中，我们将深入探讨如何构建出既高效的爬虫，为你的电商业务提供强大的支持。亮数据数据获取工具https://www.bright.cn/proxy-types?utm_source=brand&utm_campaign=brnd-mkt_cn_csdn_yingjie利用代理IP爬取当当网网站分析        本次爬取的目标是某知名购书平台，抓取内容是：、链接、价格、定价、图片链接。为了防止被识别为爬虫，首先我们先要获取登录用户的cookie。登录状态下按f12，选择网络，任选其中一个流量，在请求头中找到cookie并复制。        接下来，我们需要分析一下搜索请求的构建。可以看到我们搜索高等数学的时候，请求通过url构建。url中的key值代表搜索内容，act代表动作，page_index代表页码。        最后我们需要确定商品元素在页面中的结构。可以看到所有商品位于一个ul中，每个商品部对应一个li标签，都有对应的class标记。其中位于p标签的title属性，链接位于href标签，图片链接在下层的img标签中，价钱位于另一个p标签中。之后我们将用xpath定位这些标签。获取代理数据获取工具https://www.bright.cn/proxy-types?utm_source=brand&utm_campaign=brnd-mkt_cn_csdn_yingjie        为了进一步隐藏爬虫身份，我们需要使用代理来隐藏真实的IP地址。这里我们选择亮数据作为代理服务商。选择代理服务商主要关注点在稳定性、ip区域多样性和价钱上。        亮数据的IP代理网络覆盖全球195个国家，拥有超过7200万个IP地址，确保用户可以进行任意城市定位，并且每日更新上百万IP，保证了数据采集的广泛性和实时性。公司提供的代理IP网络类型包括动态住宅、静态住宅、移动和机房，全方位满足用户的不同需求。在全球范围内，亮数据拥有超过2600个代理服务器，构建了一个高速稳定的智能交通网络，确保了99.99%的稳定运行时间，即使在网络高峰期间也能保持服务的稳定性。此外，亮数据所有服务都支持随时暂停，并且计费方式灵活多样。        首先我们需要注册并登录亮数据。之后来到用户控制面板，添加代理机房。这里需要我们配置代理的名字和ip区域，其他选项保持默认。之后需要将我们本机ip添加到白名单，并记录下来主机号、账户名和密码。编写程序        首先我们要编写get_ip函数从亮数据服务器获取代理ip：先定义代理服务器的主机、用户名和密码。然后使用这些信息构建了一个代理URL。最后发送HTTP请求到http://lumtest.com/myip.json获取当前的代理IP地址。defget_ip():host=''#主机user_name=''#用户名password=''#密码proxy_url=f'http://{user_name}:{password}@{host}'#将上面三个参数拼接为专属代理IP获取网址proxies={'http':proxy_url,'https':proxy_url} url="http://lumtest.com/myip.json"#默认获取的接口（不用修改）response=requests.get(url,proxies=proxies,timeout=10).text#发送请求获取IP#print('代理IP详情信息：',response)response_dict=eval(response)#将字符串转为字典，方便我们提取代理IPip=response_dict['ip']#print('IP：',ip)returnip         之后需要我们定义get_html_str函数，来向电商网站发送搜索请求：先定义请求头，模拟浏览器访问，其中包含了一些cookie信息。调用get_ip函数获取代理IP，并设置到请求中。最后发送HTTP请求到指定的URL，并返回网页源码。defget_html_str(url):"""发送请求，获取网页源码"""#请求头模拟浏览器（注意这里一定添加自己已经登录的cookie才可以）headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/95.0.4638.69Safari/537.36','cookie':''} #添加代理IPproxies=get_ip()#proxies={}#添加请求头和代理IP发送请求response=requests.get(url,headers=headers,proxies=proxies)#获取网页源码html_str=response.text#返回网页源码returnhtml_str         写下来要定义get_data函数，来解析网页中的元素，找到目标文本：首先接收网页源码、页码和数据列表作为参数。然后使用lxml.etree解析网页源码，提取商品信息，包括、价格、定价、商品链接和图片链接。最后将提取的数据添加到数据列表中。defget_data(html_str,page,data_list):"""提取数据写入列表"""#将html字符串转换为etree对象方便后面使用xpath进行解析html_data=etree.HTML(html_str)#利用xpath取到所有的li标签li_list=html_data.xpath('//div[@dd_name="普通商品区域"]/ul/li')#打印一下li标签个数#print(len(li_list))#遍历li_list列表取到某一个商品的对象标签forliinli_list:#title=li.xpath('.//a[@class="pic"]/@title')title=''.join(title)#商品链接goods_url='https:'+li.xpath('.//a[@class="pic"]/@href')[0]#价格price=li.xpath('.//p[@class="price"]/span[@class="price_n"]/text()')[0]print(price)#定价pre_price=li.xpath('.//p[@class="price"]/span[@class="price_r"]/text()')[0]#图片链接img_url='https:'+li.xpath('.//a[@class="pic"]/img/@src')[0] print({'页码':page,'':title,'价格':price,'定价':pre_price,'商品链接':goods_url,'图片链接':img_url})data_list.append({'页码':page,'':title,'价格':price,'定价':pre_price,'商品链接':goods_url,'图片链接':img_url})         接下来定义to_excel函数，将获取到的结果保存为excel文件：首先将数据列表转换为pandas的DataFrame对象。然后删除DataFrame中的重复数据。最后将DataFrame保存为Excel文件。 defto_excel(data_list):"""写入Excel"""df=pd.DataFrame(data_list)df.drop_duplicates()#删除重复数据df.to_excel('当当采集数据集.xlsx')        最后定义一个main函数方便调节参数、控制流程：首先设置爬取的关键词和页数。然后初始化一个空的数据列表。之后循环遍历每一页，调用get_html_str和get_data函数获取数据。最后调用to_excel函数将数据写入Excel文件。 defmain():#1.设置爬取的关键词和页数keyword='手机'page_num=1#爬取的页数data_list=[]#空列表用于存储数据forpageinrange(1,page_num+1):url=f'https://search.dangdang.com/?key={keyword}&act=input&page_index={page}'print(url)#2.获取指定页的网页源码html_str=get_html_str(url)#print(html_str)#3.提取数据get_data(html_str,page,data_list)time.sleep(1)#4.写入Excelto_excel(data_list)完整代码如下：importpandasaspd#pandas，用于写入Excel文件importrequests#python基础爬虫库fromlxmlimportetree#可以将网页转换为Elements对象importtime#防止爬取过快可以睡眠一秒defget_ip():host=''#主机user_name=''#用户名password=''#密码proxy_url=f'http://{user_name}:{password}@{host}'#将上面三个参数拼接为专属代理IP获取网址proxies={'http':proxy_url,'https':proxy_url}url="http://lumtest.com/myip.json"#默认获取的接口（不用修改）response=requests.get(url,proxies=proxies,timeout=10).text#发送请求获取IP#print('代理IP详情信息：',response)response_dict=eval(response)#将字符串转为字典，方便我们提取代理IPip=response_dict['ip']#print('IP：',ip)returnipdefget_html_str(url):"""发送请求，获取网页源码"""#请求头模拟浏览器（注意这里一定添加自己已经登录的cookie才可以）headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/95.0.4638.69Safari/537.36','cookie':''}#添加代理IPproxies=get_ip()#proxies={}#添加请求头和代理IP发送请求response=requests.get(url,headers=headers,proxies=proxies)#获取网页源码html_str=response.text#返回网页源码returnhtml_strdefget_data(html_str,page,data_list):"""提取数据写入列表"""#将html字符串转换为etree对象方便后面使用xpath进行解析html_data=etree.HTML(html_str)#利用xpath取到所有的li标签li_list=html_data.xpath('//div[@dd_name="普通商品区域"]/ul/li')#打印一下li标签个数#print(len(li_list))#遍历li_list列表取到某一个商品的对象标签forliinli_list:#title=li.xpath('.//a[@class="pic"]/@title')title=''.join(title)#商品链接goods_url='https:'+li.xpath('.//a[@class="pic"]/@href')[0]#价格price=li.xpath('.//p[@class="price"]/span[@class="price_n"]/text()')[0]print(price)#定价pre_price=li.xpath('.//p[@class="price"]/span[@class="price_r"]/text()')[0]#图片链接img_url='https:'+li.xpath('.//a[@class="pic"]/img/@src')[0]print({'页码':page,'':title,'价格':price,'定价':pre_price,'商品链接':goods_url,'图片链接':img_url})data_list.append({'页码':page,'':title,'价格':price,'定价':pre_price,'商品链接':goods_url,'图片链接':img_url})defto_excel(data_list):"""写入Excel"""df=pd.DataFrame(data_list)df.drop_duplicates()#删除重复数据df.to_excel('当当采集数据集.xlsx')defmain():#1.设置爬取的关键词和页数keyword='手机'page_num=1#爬取的页数data_list=[]#空列表用于存储数据forpageinrange(1,page_num+1):url=f'https://search.dangdang.com/?key={keyword}&act=input&page_index={page}'print(url)#2.获取指定页的网页源码html_str=get_html_str(url)#print(html_str)#3.提取数据get_data(html_str,page,data_list)time.sleep(1)#4.写入Excelto_excel(data_list)if__name__=='__main__':main()将cookie、主机名、账号和密码跳入对应位置即可运行。运行结果如下：打开excel文档，即可看到抓取到的数据。总结        通过上面的实战，我们可以看到代理服务可以大大提高爬虫的匿名性和效率。亮数据家的代理可以满足这两点需求。        对开发者而言，亮数据代理以其简单易用的特性，大幅降低了技术门槛。开发者可以快速上手，无需深入了解代理服务的底层技术细节，即可实现高效的数据抓取。这不仅加快了开发进程，也使得开发者能够将更多精力投入到数据分析和业务逻辑的构建上。        对于采购者，亮数据代理提供的价格实惠和套餐灵活，满足了不同规模和需求的采购预算。用户可以根据自己的实际需求选择合适的套餐，无论是初创企业还是大型机构，都能找到符合自身预算的解决方案。对项目经理来说，亮数据代理的高效数据质量保障，确保了爬取过程的稳定性和数据的准确性。这不仅提升了项目的整体执行效率，也保障了数据分析结果的可靠性，为决策提供了坚实的数据支撑。        对于企业老板，安全合规是他们最关心的问题之一，亮数据代理严格遵守数据采集的法律法规，确保了企业在使用过程中的合规性，降低了潜在的法律风险。        综上所述，亮数据代理产品以其多维度的优势，为电商平台爬虫的实现提供了强有力的支持。无论是技术实现的便捷性，还是成本控制的灵活性，或是数据质量的高效性，以及整体操作的安全性，亮数据代理都是企业和个人在数据采集领域的理想选择。随着技术的不断进步和市场需求的日益增长，我们可以预见，代理服务将在电商数据采集领域扮演越来越重要的角色