web scraper 抓取数据并做简单数据分析
其实 web scraper 说到底就是那点儿东西，所有的网站都是大同小异，但是都还不同。这也是好多同学总是遇到问题的原因。因为没有统一的模板可用，需要理解了 web scraper 的原理并且对目标网站加以分析才可以。
今天再介绍一篇关于 web scraper 抓取数据的文章，除了 web scraper 的使用方式外，还包括一些简单的数据处理和分析。都是基础的不能再基础了。
选择这个网站一来是因为作为一个开发者在上面买了不少课，还有个原因就是它的专栏也比较有特点，需要先滚动加载，然后再点击按钮加载。
开始正式的数据抓取工作之前，先来看一下我的成果，我把抓取到的90多个专栏的订阅数和销售总价做了一个排序，然后把 TOP 10 拿出来做了一个柱状图出来。
抓取数据
今天要抓的这个网站是一个 IT 知识付费社区，极客时间，应该互联网圈的大多数同学都听说过，我还在上面买了 9 门课，虽然没怎么看过。
极客时间的首页会列出所有网课，和简书首页的加载方式一样，都是先滚动下拉加载，之后变为点击加载更多按钮加载更多。这是一种典型网站加载方式，有好多的网站都是两种方式结合的。这就给我们用 web scraper 抓数据制造了一定的麻烦，不过也很好解决。
1、创建 sitemap，设置 start url 为 https://time.geekbang.org/。
2、创建滚动加载的 Selector，这只是个辅助，帮助我们把页面加载到出现点击加载更多按钮出现，设置如下，注意类型选择 Element scroll down，选择整个课程列表区域作为 Element。
3、创建点击加载更多按钮的 Selector，这个才是真正要抓取内容的 Selector。之后会在它下面创建子选择器。创建之前，需要下拉记载页面，直到出现加载更多按钮。
首先选择元素类型为 Element click 。
Selector 选择整个课程列表，并设置为 Multiple。
Click 选择加载更多按钮，这里需要注意一点，之前的文章里也提到过，这个按钮没办法直接点击选中，因为点击后会触发页面加载动作，所以要勾选 Enable key events，然后按 S 键，来选中这个按钮。
Click type 设置为 Click more 类型。
Click element uniqueness 设置 unique CSS Selector。
4、进入上一步创建的 Selector ，创建子选择器，用来抓取最终需要的内容。
5、最后运行抓取就可以啦。
数据清洗
这里只是很简单的演示，真正的大数据量的数据清洗工作要费力耗时的多。而且也远不止一个 Excel 能完成的，还需要程序代码的配合，大多数时候还会用到数据库，当然对于比较简单的数据或者没有开发经验的同学来说，用 Excel 也就是最简单省事的选择了。
打开 csv 文件后，第一列信息是 web scraper 自动生成的，直接删掉即可。不知道什么原因，有几条重复数据，第一步，先把重复项去掉，进入 Excel 「数据」选项卡，点击删除重复项即可。
第二步，由于抓下来的课时和报名人数在同一个元素下，没办法在 web scraper 直接放到两个列，所以只能到 Excel 中处理。我的操作思路是这样的，先复制一列出来，然后利用内容替换的方式，将其中一列的报名人数替换成空字符，替换的表达式为 讲 | *人已学习，这样此列就变成了课时列。将另外一列的课时替换为空字符串，先替换 x讲，替换内容为*讲 | ，然后再替换人已学习， 那么这列就变成了报名人数列。价格就只保留当前价格，删掉无用列，并且处理掉限时、拼团、￥这些无用字符。
数据分析
因为这里抓取的数据比较简单，也没指望能分析出什么结果。 一共90几门课，也就是分析分析哪门课最受欢迎、价格最高。直接在 Excel 里排个序就好了。然后计算一下几门课程的总价格。
当然真正的商业数据分析不仅仅是一个 Excel 画个图就搞定的事儿。也不是弄两个柱状图就可以的了，一般都需要多个维度、数据关联分析、深度挖掘等。
在 Excel 中做了两个柱状图，分别统计订阅人数前十名和总销售金额的前十名。下面是最后的呈现效果。
如果不想用 Excel， 有一些在线的图表制作网站也可以将 Excel 上传做一些基本的图表，但是灵活性稍微差一点。我用了「图表秀（https://www.tubiaoxiu.com/）」，可以将 Excel 上传，而且还能对 Excel 进行编辑，可以删除列、删除行等操作，这也是相对其他在线图表平台的优势，比如百度的「图说」。下面是我做的一个简单的柱状图，除了柱状图外还支持好多种图表。
以上仅仅是一个业余选手做数据抓取和分析的过程，请酌情参考。
扫描下方二维码，关注公众号:
回复「Excel」获取本例中的 Excel 数据文件。
回复「jike」获取本例中的 sitemap。
不要吝惜你的「推荐」呦
欢迎关注，不定期更新本系列和其他文章
公众号：古时的风筝
相关阅读：
