『网络爬虫』买车比价，自动采集某车之家各车型裸车价
作者：才哥
☆
大家好，我是才哥。
应朋友要求，帮忙采集某车之家的一些汽车品牌的销售数据，包含购车时间、车型、经销商、裸车价等一类信息。
今天我们就简单演示一下采集过程，大家可以根据自己的兴趣进行拓展，比如采集自己喜欢的品牌汽车数据进行统计分析等等。
进入正文：
1. 目标网页分析
目标网站是某车之家关于品牌汽车车型的口碑模块相关数据，比如我们演示的案例奥迪Q5L的口碑页面如下：
https://k.autohome.com.cn/4851/#pvareaid=3311678
为了演示方式，大家可以直接打开上面这个网址，然后拖到全部口碑位置，找到我们本次采集需要的字段如下图所示：
采集字段
我们进行翻页发现，浏览器网址发生了变化，大家可以对下如下几页的网址找出规律：
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
对于上面写网址，我们发现可变部分是车型（如4851）以及页码（如2,3,4），于是我们可以构建url参数如下：
# typeid是车型，page是页码
url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'
2. 数据请求
通过简单的测试，发现似乎不存在反爬，那就简单了。
我们先引入需要用到的库：
import requests
import pandas as pd
import html
from lxml import etree
import re
然后创建一个数据请求的函数备用：
# 获取网页数据（传递参数 车型typeid和页码数）
def get_html(typeid,page):
# 组合出请求地址
url = f'https://k.autohome.com.cn/{typeid}/index_{page}.html#dataList'
# 请求数据（因为没有反爬，这里没有设置请求头和其他参数）
r = requests.get(url)
# 请求的网页数据中有网页特殊字符，通过以下方法进行解析
r = html.unescape(r.text)
# 返回网页数据
return r
请求来的数据就是网页html文本，我们接下来采用re解析出一共多少页码，再用xpath进行采集字段的解析。
3. 数据解析
由于需要进行翻页，这里我们可以先通过re正则表达式获取总页码。通过查看网页数据，我们发现总页码可以通过如下方式获取：
try:
pages = int(re.findall(r'共(\d+)页',r)[0])
# 如果请求不到页数，则表示该车型下没有口碑数据
except :
print(f'{name} 没有数据！')
continue
总页码采集
关于待采集字段信息，我们发现都在节点div[@class="mouthcon-cont-left"]里，可以先定位这个节点数据，然后再进行逐一解析。
待采集字段信息所在节点
此外，我们发现每一页最多15个车型口碑数据，因此我们每页可以定位15个待采集信息数据集，遍历采集代码：
divs = r_html.xpath('.//div[@class="mouthcon-cont-left"]')
# 遍历每个全部的车辆销售信息
for div in divs:
# 找到车辆销售信息所在的地方
mt = div.xpath('./div[@class="choose-con mt-10"]')[0]
# 找到所需字段
infos = mt.xpath('./dl[@class="choose-dl"]')
# 设置空的字典，用于存储单个车辆信息
item = {}
# 遍历车辆信息字段
for info in infos:
key = info.xpath('.//dt/text()')[0]
# 当字段为购买车型时，进行拆分为车型和配置
if key == '购买车型':
item[key] = info.xpath('.//dd/a/text()')[0]
item['购买配置'] = info.xpath('.//span[@class="font-arial"]/text()')[0]
# 当字段为购车经销商时，需要获取经销商的id参数，再调用api获取其真实经销商信息（这里有坑）
elif key == '购车经销商':
# 经销商id参数
经销商id = info.xpath('.//dd/a/@data-val')[0] +','+ info.xpath('.//dd/a/@data-evalid')[0]
# 组合经销商信息请求地址
jxs_url = base_jxs_url+经销商id+'|'
# 请求数据（为json格式）
data = requests.get(jxs_url)
j = data.json()
# 获取经销商名称
item[key] = j['result']['List'][0]['CompanySimple']
else:
# 其他字段时，替换转义字符和空格等为空
item[key] = info.xpath('.//dd/text()')[0].replace("\r\n","").replace(' ','').replace('\xa0','')
4. 数据存储
由于没啥反爬，这里直接将采集到的数据转化为pandas.DataFrame类型，然后存储为xlsx文件即可。
df = pd.DataFrame(items)
df = df[['购买车型', '购买配置', '购买地点', '购车经销商', '购买时间', '裸车购买价']]
# 数据存储在本地
df.to_excel(r'车辆销售信息.xlsx',index=None,sheet_name='data')
5. 采集结果预览
整个爬虫过程比较简单，采集下来的数据也比较规范，以本文案例奥迪Q5L示例如下：
采集结果预览
以上就是本次全部内容，比较简单，感兴趣的同学可以基于此采集一些感兴趣的数据试着做做统计分析、可视化展示之类的。
腾讯云开发者
