第77章 爬虫抓取的第一份数据：教辅价格（2 / 2）

df=pddatafra(books,ns=['书名','价格','店铺','评价数'])

dfto_csv('jd_ath_books_pa1csv',dex=false,endg='utf-8-sig')

短短几十行代码，他调试了大半天。问题层出不穷：标签css名不准确、某些商品信息缺失导致fd返回none进而引发attributeerror、价格符号和评价文本中夹杂着“￥”、“+”等需要清洗的字符、以及最棘手的――京东的部分商品信息是通过javascript动态加载的，直接请求htl页面获取不到。他不得不学习使用reests抓取实际的接口数据（通过开发者工具查看work中的xhr请求），这比解析静态htl复杂得多。

第四、五天：优化、多页抓取与当当网适配。

解决动态加载问题后，他增加了循环，尝试抓取前5页数据（约100条）。他加入了tisleep(randounifor(1,3))在每次请求之间随机休眠1-3秒，避免访问过快触发反爬。数据存储也从单页覆盖改为追加模式。

接着，他用类似的方法分析当当网的结构，编写了适配的爬虫脚本。当当的反爬似乎弱一些，但页面结构也略有不同，需要调整选择器。

第六天：数据清洗与初步分析。

他成功抓取了京东156条、当当189条有效数据。但原始数据很“脏”：价格是字符串“￥3980”，需要提取数字；评价数可能是“2万+”，需要转换为近似数值（如20000）；店铺名有冗余信息。他用pandas进行了清洗：

价格清洗

df['价格']=df['价格']strrepce('￥','')astype(float)

评价数清洗（简化处理，将“万+”乘以10000）

defclean_it(x)

if'万'str(x)

returnfloat(str(x)repce('万+','')repce('万',''))10000

else

returnfloat(str(x)repce('+',''))

df['评价数']=df['评价数']apply(clean_it)

清洗后，他进行了快速的探索性分析：

1价格分布：用df['价格']describe()和直方图查看。初中数学教辅价格主要集中在20-60元区间，均价约35元，但也有少数高端教辅（如竞赛专题）价格超过100元。

2销量（评价数）与价格关系：绘制散点图，发现评价数（粗略代表销量）与价格呈微弱负相关，但高评价的爆款往往集中在30-50元这个“黄金价格带”。

3店铺分析：发现销量高的店铺，除了官方自营，主要是几家大型专营教辅的图书专营店。个人小店铺销量普遍很低。

4竞品初步观察：筛选出评价数最高的前20本书，查看其书名、特点。发现畅销品集中在几个系列（如“五年中考三年模拟”、“教材全解”、“实验班”等），且名称中常包含“必刷题”、“压轴题”、“冲刺”等关键词，紧扣应试痛点。

第七天：整合与洞察。

_c