我半夜爬了严选的女性文胸数据,发现了惊天秘密
共 3307字,需浏览 7分钟
·
2020-09-07 14:09
文 | 闲欢
来源:Python 技术「ID: pythonall」
刚刚过去的七夕,相信大家看到最多的是朋友圈秀恩爱(晒花),路上随处可见的也是某某女性手捧鲜花,各种大小花店一抢而空,只剩下满店狼藉。鲜花固然代表着美丽,代表着各种美好的含义,但是也不能教师节送花,母亲节送花,情人节也送花呀!作为情侣以及准情侣之间的礼物,能不能花点心思,送点不一样的,比如内衣……
有的男性朋友会跳出来骂了:说得好听,你知道送花多难吗?这种隐秘的数据,又不好直接开口问,又不能直接丈量,万一送错了不得把美好的事情搞砸了?
钢铁直男的想法总是这么赤果果,其实想知道妹子喜欢什么颜色的内衣,尺码是怎样的,不一定需要直接询问,可以有各种方法可以获取到,这里就不展开这个话题了。
为了探究妹子们的平常对内衣的普遍选择,我连夜爬取了网易严选关键词为“文胸”的商品评论数据,从中挑选了几个代表性的属性来做分析。
爬取数据
巧妇难为无米之炊,为了分析数据,我们首先要获取数据,在本次行动中,我们需要获取的是文胸的评论数据,我们从结果出发,一步步来细化我们的需求和步骤。
首先,我们在网易严选的搜索框输入关键词“文胸”,出来文胸的产品列表界面:
我们随便点开一个商品,点击“评论”,就可以看到如下信息:
我们分析请求列表,就可以很容易地发现评论数据是他通过 https://you.163.com/xhr/comment/listByItemByTag.json 这个请求来获取的。然后我们逐个地排除请求的参数,最终发现 itemId 和 page 两个参数是必须的,其他的参数都可以不传。
itemId 是指产品的ID,page 不用说了,就是指的请求的页码。所以我们要获取评论数据的前提是获取到对应的产品ID。
在详情页的请求中是可以获取到产品ID的,但是我们想获取搜索结果的产品ID列表就必须去搜索结果页寻找。
同样的,我们在搜索界面的请求分析中,找到了 http://you.163.com/xhr/search/search.json 这个请求,逐个分析请求参数后发现,我们只需要 keyword 和 page 两个参数即可。
有了这个分析的前提,我们就可以着手写代码来获取数据了。代码如下:
# 获取产品列表
def search_keyword(keyword):
uri = 'https://you.163.com/xhr/search/search.json'
query = {
"keyword": keyword,
"page": 1
}
try:
res = requests.get(uri, params=query).json()
result = res['data']['directly']['searcherResult']['result']
product_id = []
for r in result:
product_id.append(r['id'])
return product_id
except:
raise
# 获取评论
def details(product_id):
url = 'https://you.163.com/xhr/comment/listByItemByTag.json'
try:
C_list = []
for i in range(1, 100):
query = {
"itemId": product_id,
"page": i,
}
res = requests.get(url, params=query).json()
if not res['data']['commentList']:
break
print("爬取第 %s 页评论" % i)
commentList = res['data']['commentList']
C_list.extend(commentList)
time.sleep(1)
return C_list
except:
raise
product_id = search_keyword('文胸')
r_list = []
for p in product_id:
r_list.extend(details(p))
with open('./comments.txt', 'w') as f:
for r in r_list:
try:
f.write(json.dumps(r, ensure_ascii=False) + '\n')
except:
print('出错啦')
这里我只抓取了第一页的产品来分析每个产品的前100页的评论数据。我将获取到的评论数据放在文件中存储。预览如下:
分析数据
抓取完数据后,我们就可以进入探索环节了,我想从颜色、尺码、评论三个角度去看看有没有什么惊奇地发现。
我们来看看数据结构的特点:
{
"skuInfo": [
"颜色:灰紫色套头套装",
"尺码:L(80BC-85AB)"
],
"frontUserName": "葡****字",
"frontUserAvatar": "http://yanxuan.nosdn.127.net/2a4479567d935ca3a88d7ea0e425ebc8",
"content": "好穿!很舒服",
"createTime": 1593738737271,
"picList": [],
"commentReplyVO": null,
"memberLevel": 4,
"appendCommentVO": null,
"star": 5,
"itemId": 3989517
}
这是一条评论数据,我们可以看到颜色和尺码都放在 skuInfo 里面,评论是放在 content 字段里面。同时,我们多翻一些数据就可以发现,这个颜色和尺码并不是统一的,不同的产品可能有不同的格式。
经过总结,对于颜色,我可以根据特点去除噪音,获取到统一的格式。而对于尺码,我只能将其分为两类:一类是以S、M、L、XL、XXL这种标识的比较通用的尺码,另一类是类似于75B这种比较准确的尺码。
我将颜色和尺码都做成柱状图来展示,而评论就用词云来展示。最终的效果图如下:
这个颜色有点出乎我的意料,我预想的最受欢迎的颜色应该是黑色,结果浅肤色排在了第一,黑色排在了第二,不过相差不大。如果数据量再多一些的话,可能黑色会反超,成为第一。
而对于尺寸来说,我们看到精确的尺寸分布图,前三都是B,紧接着是A和C,这个意味着什么大家自己去判断,这里我就不展开了。而通用的尺码里面,M码是最多的,L码比M码稍少,但是相差不明显。
而对于评论的词云,毫无意外地显示,舒服是第一位的,质量也比较重要。
总结
网易严选面向的群体应该是35岁以下的新时代后浪们,而且主打的是物美价廉和性价比。所以这些数据也是这个群体的购买喜好的体现。至于分析的结果,那就是仁者见仁智者见智了,哈哈!