本文来源： 公众号从零开始学爬虫
引言
你是否曾经遇到过要给女朋友、父母、好朋友送礼物却不知道买什么的情况？小编作为一个直男，每次都在给朋友选礼物的事情上费劲脑筋，实在是不知道买什么东西好。但事情总是要解决，小编萌生了一个想法，在某购物网站搜索关键字，然后将搜索结果进行词频分析，这样不就知道有什么东西是大家买的比较多的了么？说干咱就干。
需求分析
通过京东购物网站搜索关键字，将搜索结果中的产品名称进行保存，同时对产品名称进行词频统计，生成可供参考的词云图。
所用知识点
爬虫：requests库（简单的项目，使用requests更方便）
分词：jieba库
词云：pyecharts库
保存文件：csv库
页面解析：BeautifulSoup
目标网站分析
打开京东网站，输入关键字，本例中使用“情人节”，点击搜索。可以看到搜索结果页面如下图所示。除去广告，我们的定位的目标为红色框线内的产品信息。
使用开发者工具，定位页面中的产品，可以看到所有产品都存放在class=‘gl-item’的li标签中。可以通过select(".gl-item")确定所有页面中的产品集合。
确定产品后，逐步确定price（产品价格）、title（商品名称）、product_detail_link（商品详情链接）、img_link（图片链接）、评价数量、shop_name（店铺名称）、shop_link（店铺链接）。实际中我们只用到了title这个属性，但是出于习惯，将能用到的内容全部都提取出来，方便以后使用。标签都比较好寻找，就不单列方法，下面是全部元素的定位代码。
r = requests.get(url, params=params, ) r_content = (r.content.decode("utf-8")) content = BeautifulSoup(r_content, 'lxml') product = content.select(".gl-item") for p in product: product_info = {} product_info['number'] = num num = 1 try: # 价格 product_info["price"] = p.select(".p-price i")[0].get_text() # 商品名称 product_info["title"] = p.select('.p-name-type-2 a')[0].attrs['title'].strip(" ") # 商品链接 product_info['product_detail_link'] = p.select('.p-img a')[0].attrs['href'].strip('/') # 图片链接 product_info['img_link'] = p.select('.p-img a img')[0].attrs['source-data-lazy-img'].strip('/') # 评价数量 product_info["评价数量"] = p.select('.p-commit a')[0].get_text() # 商家信息 shop = p.select(".p-shop a") if len(shop) == 0: shop_name = "" shop_link = "" else: # 商铺名称 shop_name = shop[0].get_text() # 商铺链接 shop_link = shop[0].attrs['href'] product_info['shop_name'] = shop_name product_info['shop_link'] = shop_link
在提完当前页之后，我们肯定不能满足只爬取一页的内容，如果只要一页的内容我猜不用爬虫应该更简单。下一步就是不断提取下一页的链接，并不断访问提取数据。
在搜索结果中点击下一页，观察url变化。（比较过程略）
通过观察比较，我们可以得到一个规律。在url中必须传的参数有keyword（搜索关键字）、enc（编码）、s（内容数量）、page（当前页）。其中只有page是变化参数，其他都是固定参数。所以我们可以不断的构建page参数，来访问不同的页面。代码如下：
url = "https://search.jd.com/Search" params = { "keyword": keyword, "enc": "utf-8", "s": 50, } for i in range(1, 200, 2): params['page'] = i r = requests.get(url, params=params, )
通过不断的构建url地址，我们可以访问全部的搜索结果。
保存
通过上面的提取内容代码，我们可以将所有需要的信息放在一个list中，每个list元素是一个product_info字典。通过csv库，将得到的内容保存到csv文件中。
def save_info(product_list,file): fieldnames = ['number','price','title','product_detail_link','img_link',"评价数量",'shop_name','shop_link'] with open(file,'a',newline="") as csvfile: writer = csv.DictWriter(csvfile,fieldnames=fieldnames) writer.writeheader() for product_info in product_list: #写入时需要注意，有些商品名称包含“✅”或“❤”特殊字符，是无法写入的，要做处理 try: writer.writerow(product_info) except: print(str(product_info) "写入错误")
这里需要注意的一点是，因为有些产品名称中包含“✅”，“❤”这样的特殊字符，是无法写入到csv中的，需要对写入代码做异常判断。（偷偷的告诉你，这个错误还真浪费了小编一些时间，一直都是写入报错，后来才找到是特殊字符的锅）
分词
保存文件之后，我们通过另一个函数读取csv中的title字段（这里也可以直接使用爬虫代码中提取的数据，小编只是习惯将数据保存），通过jieba库，对数据进行中文分词。jieba库可以将一个中文字符串进行中文分词，是一个很好用的中文分词库（具体使用方法后续会发笔记）。首先将所有title提取出来，并组合成一个字符串，通过jieba.cut对该字符串进行分词。具体代码如下：
seg_list = jieba.cut(data_string, cut_all=False)
生成词云
在得到分词结果之后，我们要对结果进行加工，得到一个{词：出现次数}的字典，当然为了去除一些无用的词和低频的词，我们还需要一个筛选。筛选代码略。可以通过源码查看。
得到{词：出现次数}的字典之后，我们就可以使用pyecharts库中的WordCloud进行词云生成。具体代码如下：
wordcloud = WordCloud(width=1300, height=620) for k,v in seg_count_bigthan100.items(): word.append(k) count.append(v) wordcloud.add("词云图", word, count, word_size_range=[20, 100],shape="diamond") wordcloud.render()
结果
下面是小编搜索几个关键字之后的词云结果。
情人节：
七夕：
手机：
源码
关注公众号，回复关键字 “ 礼物 ” 领取源码。
一些话
看了这个词云结果，想到的是什么？反正小编是一脑子的懵*，这**跟我想的不一样啊，看了这个结果仍然对我没什么帮助啊，可是已经写完了还能怎么办呢？当然是分享出来给小伙儿伴们看一下了。
代码还有很多需要改进的地方，希望各位大佬轻拍。
