CSV文件自动化生成：用Pandas与Datetime高效处理京东商品信息

原创

jackcode

发布于 2024-10-18 11:11:04

920

发布于 2024-10-18 11:11:04

在电商行业的激烈竞争下，实时掌握商品的价格波动和库存信息是企业成功的关键。通过自动化爬虫技术，我们可以从京东等电商平台抓取商品信息，帮助企业和个人进行市场监控和价格分析。本文将详细介绍如何使用Python的pandas和datetime库抓取京东商品的名称、价格等信息，并自动生成CSV文件。同时，结合代理IP技术提升爬取效率。

1. 概述

抓取电商平台的数据，尤其是像京东这样的热门网站，面临诸多挑战。主要包括反爬机制、IP封禁以及频繁请求的限制。为应对这些问题，本文结合了以下几项关键技术：

pandas: 用于处理爬取的数据，并将其保存为CSV文件，便于后续分析。
datetime: 用于生成带时间戳的文件名，方便对不同时间段的数据进行区分和管理。
代理IP技术: 使用代理IP可以绕过IP请求频率限制，以保证爬取的连续性。本文使用爬虫代理服务作为示例。
User-Agent 和 Cookies: 模拟浏览器访问，避免被目标网站识别为爬虫，提高数据抓取的成功率。

在本文中，我们将展示如何从京东抓取商品的名称、价格等信息，并将其以CSV格式保存。

2. 细节

2.1 爬虫环境设置

首先，我们需要设置HTTP请求的headers，以模拟浏览器访问京东，防止被网站识别为爬虫。同时，使用代理IP来避免因频繁请求导致的IP封禁。

import requests
import pandas as pd
from datetime import datetime
from bs4 import BeautifulSoup

# 代理IP配置 (以爬虫代理加强版为例 )
proxy = {
    'http': 'http://username:password@proxy.16yun.cn:8000',
    'https': 'https://username:password@proxy.16yun.cn:8000'
}

# 请求头配置，模拟浏览器访问
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36',
    'Cookie': 'your_cookie_here'  # 设置为你实际从浏览器中获取的cookie
}

# 京东目标URL，搜索某一类商品，例如“手机”
url = 'https://search.jd.com/Search?keyword=手机&enc=utf-8'

# 发起HTTP请求，使用代理IP
response = requests.get(url, headers=headers, proxies=proxy)

# 检查请求是否成功
if response.status_code == 200:
    print("数据爬取成功！")
    # 解析HTML内容
    soup = BeautifulSoup(response.content, 'html.parser')
else:
    print(f"请求失败，状态码：{response.status_code}")

2.2 数据处理：采集商品名称和价格

通过爬虫抓取京东商品数据后，接下来我们需要提取商品的名称、价格等信息。京东页面通常包含商品的div或li元素，这些元素内嵌商品的详细信息。

# 获取商品列表
product_list = soup.find_all('li', class_='gl-item')

# 初始化列表，用于存储商品信息
data = []

# 遍历商品列表，提取商品名称和价格
for product in product_list:
    # 商品名称
    name = product.find('div', class_='p-name').text.strip()
    
    # 商品价格（有些商品可能未显示价格，因此需做异常处理）
    try:
        price = product.find('div', class_='p-price').strong.i.text.strip()
    except AttributeError:
        price = '暂无价格'

    # 将商品信息存入data列表
    data.append([name, price])

# 使用pandas将数据转换为DataFrame
df = pd.DataFrame(data, columns=['商品名称', '价格'])

# 打印数据预览
print(df.head())

2.3 保存为CSV文件

在成功抓取和处理数据后，我们可以使用pandas将数据保存为CSV文件。为了便于管理，我们可以为文件名加入当前时间戳，确保每次生成的文件都是唯一的。

# 获取当前时间，生成文件名
current_time = datetime.now().strftime('%Y-%m-%d_%H-%M-%S')
file_name = f'jd_products_{current_time}.csv'

# 将DataFrame保存为CSV文件
df.to_csv(file_name, index=False, encoding='utf-8')

print(f"数据成功保存至 {file_name}")

2.4 代理IP的应用与优化

在电商平台抓取数据时，IP封禁是一个常见的问题。为确保爬虫的长期运行，使用代理IP能够避免同一IP地址因过于频繁的请求而被封禁。

在本文中，我们通过爬虫代理的配置将请求代理到不同的IP，这样可以有效减少因频繁请求导致的封禁风险。上面代码中proxy变量的配置就是使用代理的示例。

如果需要进一步优化，还可以考虑使用多线程或异步请求，提升爬取速度。下面是使用多线程并发爬取的示例：

from concurrent.futures import ThreadPoolExecutor

# 定义爬取函数
def fetch_product_data(url):
    response = requests.get(url, headers=headers, proxies=proxy)
    if response.status_code == 200:
        soup = BeautifulSoup(response.content, 'html.parser')
        product_list = soup.find_all('li', class_='gl-item')
        data = []
        for product in product_list:
            name = product.find('div', class_='p-name').text.strip()
            try:
                price = product.find('div', class_='p-price').strong.i.text.strip()
            except AttributeError:
                price = '暂无价格'
            data.append([name, price])
        return data
    else:
        return []

# 使用线程池并发爬取多个页面
urls = ['https://search.jd.com/Search?keyword=手机&page={}'.format(page) for page in range(1, 4)]

with ThreadPoolExecutor(max_workers=5) as executor:
    results = list(executor.map(fetch_product_data, urls))

# 合并结果并保存为CSV
all_data = [item for sublist in results for item in sublist]
df = pd.DataFrame(all_data, columns=['商品名称', '价格'])

# 保存为CSV文件
file_name = f'jd_products_{datetime.now().strftime("%Y-%m-%d_%H-%M-%S")}.csv'
df.to_csv(file_name, index=False, encoding='utf-8')

print(f"所有商品数据成功保存至 {file_name}")