第77章 爬虫抓取的第一份数据：教辅价格 (第2/3页)
在另一个标签里，需要更复杂的查找
commit = item.find('div', class_='p-commit').strong.get_text(strip=True) if item.find('div', class_='p-commit') else '0'
books.append([title, price, shop, commit])
except AttributeError as e:
print(f“解析错误: {e}, 跳过此项“)
continue
df = pd.DataFrame(books, columns=['书名','价格','店铺','评价数'])
df.to_csv('jd_math_books_page1.csv', index=False, encoding='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class名不准确、某些商品信息缺失导致find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HTML页面获取不到。他不得不学习使用requests抓取实际的接口数据（通过开发者工具查看Network中的XHR请求），这比解析静态HTML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time.sleep(random.uniform(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“￥39.80”，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'].str.replace('￥', '').astype(float)
# 评价数清洗（简化处理，将“万+”乘以10000）
def clean_commit(x):
if '万' in str(x):
return float(str(x).replace('万+','').replace('万','')) * 10000
else:
return float(str(x).replace('+',''))
df['评价数'] = df['评价数'].apply(clean_commit)
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。
（本章未完，请点击下一页继续阅读）