上班摸鱼看了2个星期车评，还是一头雾水，选合资还是国产？发动机cvt好还是双离合好？艾瑞泽5 GT动力足，但腰线和前脸让人吐槽，真的可靠吗。国产选长安逸动还是吉利帝豪？标志408出来了，还有艾瑞泽8很漂亮。看会视频吧，同质化严重，讲来将去就是车内车外介绍一遍。
热门视频下通常有几百条评论，我一般会翻看一遍，七个八个视频就是几千条评论，信息芜杂，没个定准，所以干脆不看了！我决定从评分入手，爬下懂车帝看到底有多少个汽车品牌。长安、吉利、奇瑞它们有多少车型，高分段的车型多不，每家热销的车子分数排在哪个段位。所以用scrapy爬了3655条数据。
正好前段时间在python技术分享过一篇《不止高效，原来pandas表格可以更美的！》，https://mp.weixin.qq.com/s/KpKF6tvdcfG7d6rf8Xbv2w ，结合里面介绍过的排序分组配色，对我们的数据进行分析。通过这些数据，可以看出厂商的产品布局和销售优势。
比如马路上很多别克牌子，我又对它没啥印象，除了知道威朗在紧凑型轿车中排名靠前，还有其它热销车型吗？所以特意看了下别克的数据：
好家伙，居然有排名第一的！ 再比如韩国车企在中国没落了，落寞成什么样子呢，
可以看到，现代和起亚在小型轿车和中型MPV是有销量的，悦纳曾经也是月销过万的主流合资轿车，这里它虽然位于小型桥车销量NO.10，但8月仅销售303辆。 确实有点惨淡啊，除了伊兰特，8月销量超过1千辆的只有一个库斯途，其它最多的的月销也只有1到3百辆，它们曾经非常受欢迎，不过随着汽车行业的更新换代，逐渐淡出了消费者们的视野。
评分最高的车型
再举个🌰，我想知道486个品牌中，每个品牌评分最高的车型
486个品牌的车型评分，已上传，http://ssw.fit/file/ 。由于部分品牌没有车型，如“众泰”没一款车型，所以爬的时候不会把这种写入csv文件中。一共3655条数据，也就是3655个车型。
对car.csv进行处理：
1 | |
输出如下：
可以看到，所有品牌中，评分最高的车型是劳斯莱斯的“幻影”，4.74分，这个分数很高了。要知道国产长安最高3.88（长安UNI-K），吉利最高3.9（星越L），日产最高也没超过4分。
说明几个地方
下面开始整活。先说明几个地方：
-
因为品牌较多，对应不同的url，可以利用multiprocessing.dummy多线程加快速度（这是个好工具，咱们的另一篇文章《3个python小工具，Linux服务器性能直线飞起！！！》，https://mp.weixin.qq.com/s/x4jZN4TisfTzdzVGSwZlWg 也用到过它）
-
使用的爬虫框架是scrapy，它结构清晰，使用起来方便，比所有内容写到一个文件里好些。
-
有些页面是动态加载的，需要使用selenium模拟页面向下滚动加载，把滚动条拉到最下面。
-
大概运行过程是这样的：
好了，先从观察页面开始。
猜了个猜
观察它的url。首先来个十八连猜，猜下它尾部的18个“x”分别代表什么意思？
1 | |
我先猜一个，倒数第3个x代表汽车品牌，不信吗，修改数字的话，第二个红框会出现不同的品牌：
所以url的倒数第三位，数字3代表奔驰，2为奥迪，4是宝马。其它你可以试一下，能搜索到结果的数字大概在600以内。我猜汽车品牌数也在600内吧。当然不能这么一个个猜， 还是赶紧干正事，找出每个品牌对应的数字，这样才好向相关品牌的页面发送请求。
找了个找
一共有6个属性为layout_label__1qfS8的span标签，我们要找的是第6个，即找到“已知条件”这个span标签。
这个时候下面脚本中的条件condition[5]才成立，BeautifulSoup才找得到：
1 | |
因为数字大于500时，很可能没这个品牌，页面上不会出现“已知条件”，而是提示“0车系符合条件”
上面的next_sibling属性用来查询兄弟节点，也就是“已选条件”那个span的下一个span；next_sibling.a.text，下一个span的a标签里的文字就是品牌的名字
找出品牌对应的id
BeautifulSoup找到数据后，因为品牌对应的url较多，使用multiprocessing.dummy多线程加快速度。另外，数字大于500时，很可能找不到品牌，所以循环1000以内的数字基本能覆盖到所有品牌
1 | |
综上，获取品牌对应id的完整脚本：
1 | |
输出结果如下，总共486个汽车品牌：
1 | |
品牌对应的url如下，我们可以挑选自己感兴趣的品牌url发送请求：
1 | |
下面会用scrapy爬虫框架对这些url发起请求，数据写入csv
scrapy设置
整个目录结构如下：
- 创建scrapy项目
1
2
3
4
5#创建scrapy项目 scrapy startproject dcd cd dcd #生成一个爬虫 scrapy genspider car "https://www.dongchedi.com/" - 修改
settings.py1
2
3
4
5
6
7
8
9
10
11
12
13
14
15# 是否遵守协议,设置false ROBOTSTXT_OBEY = False #设置请求头 DEFAULT_REQUEST_HEADERS = { 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8', 'Accept-Language': 'en', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:68.0) Gecko/20100101 Firefox/68.0' } #下载中间件 DOWNLOADER_MIDDLEWARES = { 'dcd.chrom_middlewares.DcdDownloaderMiddleware': 543, } ITEM_PIPELINES = { 'dcd.pipelines.DcdPipeline': 300, } - 新建一个chrom_middlewares.py文件
第2步DOWNLOADER_MIDDLEWARES设置的下载中间件，我们自己编写：
chrom_middlewares.py
1 | |
对process_request说明一点：
如果车型多，需要滚动鼠标分一次或多次才能加载完毕，这个时候需要selenium模拟页面向下滚动加载全部车型，否则取到的车型是不全的。
1 | |
item.py```py import scrapy
class DcdItem(scrapy.Item): #品牌 brand = scrapy.Field() #车型 name = scrapy.Field() #评分 score = scrapy.Field() #特点 title = scrapy.Field()
1 | |
下面对car.py的2个地方进行说明
5.1 获取品牌
1 | |
xpath路径，在edge浏览器中可以通过右键“检查”找到元素，再右键选择“复制”->”复制 Xpath”
按crtl+F键可以粘贴刚才复制的xpath，按回车键，页面上会突出显示对应的元素。
5.2 获取所有的li标签，代表一辆辆汽车信息
然后循坏这些li标签，获取到车型、评分、左上角的蓝色说明文字，写入csv文件
1 | |
- 新增一个启动爬虫的文件
start.py1
2from scrapy.cmdline import execute execute('scrapy crawl car'.split(' '))文件位置：
在pycharm中右击即可运行爬虫：
排序分组配色
参考上文提到的《不止高效，原来pandas表格可以更美的！》
假如你想了解长安吉利奇瑞这3个品牌，那么在car.py中填写对应的url
1 | |
这样car.csv中就只有这3个品牌的数据了，方便我们配色和对比
1 | |
输出结果如下：
从数据可以看出，国内一线品牌产品线丰富，吉利在小型SUV、紧凑型轿车、紧凑型SUV都有热销产品，奇瑞仅瑞虎3x和瑞虎5x位于销量榜前10（怎么没有出口汽车？），看来理工男从产品受欢迎程度上来说离一线品牌还有差距
可以根据自己的喜好，给想看的品牌配上它们的logo色，看看它们的数据是否有惊喜
代码下载地址
已上传到 linux服务器上，http://ssw.fit/file/
总结
爬完了
还有博客自动复用的摘要图片也需地址
开始用的阿里云的免费对象存储oss，但又是登录又是设置读写权限的，稀碎的操作令人疲惫。
能不能简单点，自动上传，并且马上能得到文件的网络地址。
把文件传到自己的云服务器上，传完后自带文件地址和copy按钮，流程顿时清爽了许多。
所以，脚本结束前，让我们欣赏美图3秒：
