一、项目背景
最近又及年底，各类分析与规划报告纷至沓来，于是接到了公司平台类目商品增长方向的分析需求，其中需要结合外部电商平台做对比。我选择了国内某电商平台作为比较对象，通过获取最细层级前台类目下的SKU数以及结构占比，找出差异和可提升方向。
我的初步思路是：通过爬虫获取类目名称和链接——>获取SKU数——>可视化展现。
由于这个项目并不需要对商品信息和用户评论信息进行获取，难度比较低，不会遇到强力的反爬机制，因此可以用来日常练手，尤其是对于我这种退出爬虫界很久的同学来说是比较友好，毕竟谁都不想去踩缝纫机对不对（手动狗头）。
二、实现过程
（一）三层级类目及链接获取
下图是该电商平台前台展示的三层级类目。
1. 通过 f12 进入 JS 抓包
可以找到类目的真实地址：「https://dc.3.cn/category/get」，幸运的是返回的数据是 JSON 格式的，这样处理起来就简单了。
2. 通过观察返回的数据，可以发现一定的规律。
写爬虫就是这样，不断地找规律，仔细核对返回的数据，斗智斗勇的同时会觉得很有挑战乐趣，但也会觉得挺麻烦的。
-
分类信息格式
-
格式1:
-
-
1318-2628-12131|户外风衣||0
-
对应URL: https://list.jd.com/list.html?cat=1318,2628,12131
-
特点: 第一项为分类ID, 包含两个 -
-
-
-
格式2:
-
652-654|摄影摄像||0
-
对应的URL: https://channel.jd.com/652-654.html
-
特点:第一项是频道ID, 包含一个 -
-
-
格式3:
-
jiadian.jd.com|家用电器||0
-
特点: 第一项分类URL,第二项分类名称
-
-
3. 代码实现
import requests
import json
import pandas as pd
import warnings
warnings.filterwarnings('ignore')
headers={
'Content-Type':'application/json',
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
}
url = 'https://dc.3.cn/category/get'
res = requests.get(url,headers=headers)
# 把传递过来的信息GBK进行解码
res.encoding='GBK'
json_data=json.loads(res.text)
# 取出"data" 键中分类列表
categorys = json_data['data']
def get_category_item(category_info):
# 使用 `|` 分割类型信息字符串
categorys = category_info.split('|')
# 类别的名称
category_name = categorys[1]
# 类别的URL
category_url = categorys[0]
# 获取 category_url 中 `-` 个数
count = category_url.count('-')
if category_url.count('xx.com') != 0:
# 其他就是本身就是URL, 前面补一个协议头
category_url = 'https://' + category_url
elif count == 1:
# 如果包含一个 '-' 是二级分类的频道
category_url = 'https://channel.xx.com/{}.html'.format(category_url)
else:
# 如果包含2个 '-' 是三级分类的列表
# 1. 把 `-` 替换为 ','
category_url = category_url.replace('-', ',')
# 2. 生成具体列表的URL
category_url = 'https://list.xx.com/list.html?cat={}'.format(category_url)
return category_name, category_url
result = pd.DataFrame()
df = dict()
# 遍历分类列表
for category in categorys:
# 获取大分类,包含子分类; 注: 第一层的分类都在在0索引上;
b_category = category['s'][0]
# 获取大分类信息(分类URL,名称)
b_category_info = b_category['n']
# 解析大分类信息, 获取大分类名称和URL
df['大分类名'], df['大分类链接'] = get_category_item(b_category_info)
# 获取中分类列表
m_category_s = b_category['s']
# 遍历第二层分类列表
for m_category in m_category_s:
# 获取中分类信息
m_category_info = m_category['n']
df['中分类名'], df['中分类链接'] = get_category_item(m_category_info)
# 获取小分类列表
s_category_s = m_category['s']
# 遍历小分类分类列表
for s_category in s_category_s:
# 获取第三层分类名称
s_category_info = s_category['n']
# 获取三级分类信息
df['小分类名'], df['小分类链接'] = get_category_item(s_category_info)
print('{} 已爬取……'.format(df['小分类名']))
table = pd.DataFrame.from_dict(df,orient='index').T
result = pd.concat([result, table])
result.to_excel('./2. 输出类目表.xlsx',sheet_name='result',index=False)
print('爬取成功！！')
（二）小分类下SKU数获取
进入任一级页面，这个平台非常人性化，已经把大致的SKU数放在了页面上，只要通过 xpath 就能直接提取的到啦，轻松写意，直接放代码吧。
import requests
from lxml import etree
import pandas as pd
import time
from alive_progress import alive_bar
import warnings
warnings.filterwarnings('ignore')
headers={
'Content-Type':'application/json',
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
}
df = pd.read_excel('./2. 输出类目表.xlsx',sheet_name='result')
datas=[]
urls = df['小分类链接']
with alive_bar(len(urls)) as bar:
for url in urls:
res = requests.get(url,headers=headers).text
selector = etree.HTML(res)
try:
sku_count = selector.xpath('//*[@id="J_resCount"]/text()')[0]
except IndexError:
sku_count = '异常'
data = {
'url':url,
'sku_count': sku_count.strip()
}
with open('SKU.txt','a') as f:
f.write(str(data))
datas.append(data)
print(data)
df_SKU = pd.DataFrame(datas)
df_result = pd.merge(df,df_SKU,left_on='小分类链接',right_on='url',how='inner')
df_result.to_excel('./4. 输出类目SKU原始数据.xlsx',sheet_name='result',index=False)
print('SKU数 爬取完成！！')
（三） 数据清洗
数据拼接完成后，需要对SKU数字段做一些处理。
-
爬取后原始格式
-
格式1:
-
以“万”为结尾
-
需要在原始数据上，去除“+”符号，乘以 10000
-
-
格式2:
-
小分类页面不是商品页，而是返回广告页，没有提供商品SKU数
-
处理成 0
-
-
格式3:
-
正常数据
-
需要在原始数据上，去除“+”符号
-
-
import pandas as pd
import xlwings as xw
import warnings
warnings.filterwarnings('ignore')
df = pd.read_excel('./4. 输出类目SKU原始数据.xlsx',sheet_name='result')
def transform(a,b):
if a == '万':
return float(b) * 10000
elif a == '异常':
return 0
else:
return float(b)
df['基数'] = df['SKU数'].str.findall('[0-9.]').str.join('')
df['单位'] = df['SKU数'].str.findall('[\u4e00-\u9fa5 ；()]').str.join('')
df['转换后SKU数'] = df.apply(lambda x :transform(x['单位'],x['基数']), axis=1)
df = df[['大分类名', '大分类链接', '中分类名', '中分类链接', '小分类名', '小分类链接','转换后SKU数']]
df.to_excel('./6. 输出类目SKU转换后数据.xlsx',sheet_name='result',index=False)
app = xw.App(visible=False,add_book=False)
workbook = app.books.open('./6. 输出类目SKU转换后数据.xlsx')
for i in workbook.sheets:
value = i.range('A1').expand() # 选择要调整的区域
value.rows.autofit() # 调整列宽字符宽度
value.columns.autofit() # 调整行高字符宽度
value.api.Font.Name = '微软雅黑' # 设置字体
value.api.Font.Size = 9 # 设置字号大小（磅数）
value.api.VerticalAlignment = xw.constants.VAlign.xlVAlignCenter # 设置垂直居中
value.api.HorizontalAlignment = xw.constants.HAlign.xlHAlignCenter # 设置水平居中
for cell in value:
for b in range(7,12):
cell.api.Borders(b).LineStyle = 1 # 设置单元格边框线型
cell.api.Borders(b).Weight = 2 # 设置单元格边框粗细
value = i.range('A1').expand('right') # 选择要调整的区域
value.api.Font.Size = 10
value.api.Font.Bold = True # 设置为粗体
workbook.save()
workbook.close()
app.quit()
print('数据清洗完成！！')
（四）可视化展现
可视化展示的环节，我这次没有选用之前一直使用的 pyecharts，而是使用了 plotly。
主要原因是 plotly 对于 pandas 的支持非常好，它的高级封装函数的写法非常简洁，使用起来方便，而且也能够支持交互和自定义颜色，集美观与实用于一身，应该会成为我今后的主力可视化工具。
1. 将某平台和我司的类目SKU数占比进行对比
import plotly.io as pio
import plotly.express as px
import plotly.graph_objects as go
import plotly.figure_factory as ff
import pandas as pd
import numpy as np
df1 = pd.read_excel('./6. 输出类目SKU转换后数据.xlsx',sheet_name='result')
df_xx = df1.groupby('映射我司事业部')['转换后SKU数'].sum().reset_index().sort_values(by='转换后SKU数',ascending=False)
df_xx['SKU数占比%'] = ((df_xx['转换后SKU数'] / df_xx['转换后SKU数'].sum()) * 100).round(1)
df_xx['公司'] = 'xx'
df_xx = df_JD[['公司','映射我司事业部','转换后SKU数','SKU数占比%']]
df_xx.loc[len(df_xx.index)] = ['xx', '商城商品事业部', 0, 0.0]
df2 = pd.read_excel('./【资料】2022年购物公司商品0101-1013.xlsx',sheet_name='Sheet1')
df2 = df2[df2['订购数量']>0]
df_yy = df2.groupby('事业部')['商品编号'].count().reset_index().sort_values(by='商品编号',ascending=False)
df_yy['SKU数占比%'] = ((df_yy['商品编号'] / df_yy['商品编号'].sum()) * 100).round(1)
df_yy.rename(columns={'事业部':'映射我司事业部', '商品编号':'转换后SKU数'}, inplace = True)
df_yy['公司'] = 'yy'
df_yy = df_yy[['公司','映射我司事业部','转换后SKU数','SKU数占比%']]
df_yy.loc[len(df_yy.index)] = ['yy', 0, 0, 0.0]
df_yy.loc[len(df_yy.index)] = ['yy', '团购', 0, 0.0]
df_concat = pd.concat([df_xx,df_yy])
# SKU类目占比对比（柱状图）
fig = px.bar(df_concat, x='映射我司事业部', y='SKU数占比%',barmode='group',color='公司',text='SKU数占比%')
fig.update_layout(title='事业部SKU占比对比(%)')
fig.update_traces(textposition='outside',textfont_size=16,textfont_color=['#FC5531'])
pio.write_html(fig,'事业部SKU占比对比.html')
pio.write_image(fig,'事业部SKU占比对比.png','png',width=1400,height=800)
2. 某平台类目SKU数量结构
# 树状图
df1['整体'] = '整体'
fig1 = px.treemap(df1,
path=['整体', '大分类名', '中分类名'],
values='转换后SKU数',
title='类目SKU占比树状图',
# color='转换后SKU数',
# color_continuous_scale='RdBu',
# color_continuous_midpoint=df1['转换后SKU数'].mean()
)
fig1.update_traces(textinfo='label+value',textfont = dict(size = 20))
pio.write_html(fig1,'类目SKU占比树状图.html')
pio.write_image(fig1,'类目SKU占比树状图.png','png',width=1400,height=800)
3. 某平台
# 热力图
bins = [0,1,20000,50000,100000,150000,200000,300000,400000,500000,99999999999]
groups1 = ['0','2万','5万','10万','15万','20万','30万','40万','50万','50万以上']
groups2 = [.1,.2,.3,.4,.5,.6,.7,.8,.9,1.0]
df1['SKU数级别'] = pd.cut(df1['转换后SKU数'],bins,labels=groups1)
df1['SKU数级别'] = df1['SKU数级别'].fillna('0')
data = df1.groupby(['大分类名','SKU数级别'])['转换后SKU数'].sum().reset_index()
data = pd.pivot(data,values='转换后SKU数',index='大分类名',columns='SKU数级别')
data2 = data.apply(lambda x:pd.cut(x,bins,labels=groups2))
data2 = data2.fillna(.1)
data = data.applymap(lambda x:str(round(x / 10000,2)) + ' 万')
data.drop(index='众筹',columns='0',inplace=True)
data2.drop(index='众筹',columns='0',inplace=True)
x = list(data.columns)
y = list(data.index)
z = data2.values.tolist()
z_text = data.fillna('').values.tolist()
# 自定义色卡
# colorscale = [[0.0,'rgb(0,153,102)'],
# [.1,'rgb(211,207,99)'],
# [.3,'rgb(255,153,51)'],
# [.4,'rgb(204,97,51)'],
# [.5,'rgb(102,0,153)'],
# [1.0,'rgb(126,0,35)']]
fig2 = ff.create_annotated_heatmap(z,
x=x,
y=y,
annotation_text=z_text,
# colorscale=colorscale
)
fig2.update_layout(title='类目SKU占比热力图')
fig2.update_xaxes(side='top')
pio.write_html(fig2,'类目SKU占比热力图.html')
pio.write_image(fig2,'类目SKU占比热力图.png','png',width=1400,height=800)三、可提升方向
以上只是实际工作项目中的一部分，接下来还要对自己公司的数据进行分析，不方便给出更详细的说明，但是本文使用的方法是相通的，不管是对自己公司还是外部平台，都可以按照类似的步骤进行处理、分析与展示。
进行项目的过程中还有一些值得提升的地方，
-
plotly.express 尚未支持多子图的呈现，目前只能使用 plotly.graph_objs 来实现，代码较为繁琐
-
plotly 的很多配置项细节需要梳理和掌握，毕竟才真正接触这个库两三天的时间，来日方长
-
遇到反爬之后，反反爬的成本很高，影响效率，在不花钱的情况下，现在爬虫的 ROI 已经很低，不太值得去做，以我现在的水平有越来越多的网站过不了
-
遇到海量不同口径的数据（比如类目），有什么样的方法能够快速对齐统一，目前还没有头绪，靠人工肯定不现实，数据清洗是真的让人头大啊
数海随记
喜欢作者
