用Python爬取文胸数据发现中国女性50%以上罩杯是B，但是A-cup穿衣最高级！

大家好，我是才哥。

最近有些朋友跟我吐槽说他们女票是A罩杯，很高级！

今天，我们就爬取京东商城某文胸品牌不同size的大致销售情况，来看看当前什么尺码才是主流吧！

目录：

1. 需求梳理

本文比较简单，单纯对京东评论数最多的某文胸品牌不同size的商品评论数进行采集，然后统计出不同size的占比。

由于京东没有类似销量（或多少人付款）等数据，我们这里仅用评论数做对比维度。关于评论数的获取，其实可以参考此前推文《》，我们这里就不展开介绍了，大家可以直接阅读代码。

通过在京东进行商品类型选择内衣-文胸-适用人群 青年，再按照评论数排序，我们可以得到排名靠前的商品列表。由于前2个都是均码无尺寸的，第3个是文胸洗衣袋（也是均码无尺寸），故而我们选择了第4个商品。

然后，我们直接点击进入到第4个商品的详情页面，发现存在很多7种颜色和10种尺寸，这组合有点多啊。

为了更好的获取每件商品的评论数据，我们这里需要先获取每个商品的productId。于是，我们F12进入到开发者模式，在元素页搜索其中一个商品id最终发现了存放全部商品id的地方如下：（可以通过正则解析出来）

既然可以获取全部的商品id，那么通过商品id即可调用评论接口获取对应商品的评论数据了，我们就编码走起！

2. 数据采集

数据采集部分，先用正则获取全部的商品id，然后通过商品id获取全部商品id对应的评论数据，那么需要的数据就齐活了。

获取全部商品id

import requests
import re
import pandas as pd

headers = {
    # "Accept-Encoding": "Gzip",  # 使用gzip压缩传输数据让访问更快
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.97 Safari/537.36",
    # "Cookie": cookie,
    "Referer": "https://item.jd.com/"
    }

url=  r'https://item.jd.com/100003749316.html'    
r = requests.get(url, headers=headers, timeout=6)

text = re.sub(r'\s','',r.text)
colorSize = eval(re.findall(r'colorSize:(\[.*?\])', text)[0])
df = pd.DataFrame(colorSize)

获取商品id对应评论数据

# 获取评论信息
def get_comment(productId, proxies=None):
    # time.sleep(0.5)
    url = 'https://club.jd.com/comment/skuProductPageComments.action?'
    params = {
            'callback': 'fetchJSON_comment98',
            'productId': productId,
            'score': 0,
            'sortType': 6,
            'page': 0,
            'pageSize': 10,
            'isShadowSku': 0,
            'fold': 1,
            }
    # print(proxies)
    r = requests.get(url, headers=headers, params=params, 
                     proxies=proxies, 
                     timeout=6)
    comment_data = re.findall(r'fetchJSON_comment98\((.*)\)', r.text)[0]
    comment_data = json.loads(comment_data)
    comment_summary = comment_data['productCommentSummary']
    
    return sum([comment_summary[f'score{i}Count'] for i in range(1,6)])
    
df_commentCount = pd.DataFrame(columns=['skuId','commentCount'])
proxies = get_proxies()
for productId in df.skuId[44:]:
    df_commentCount = df_commentCount.append({
                        "skuId": productId,
                        "commentCount": get_comment(productId, proxies),
                        },
                        ignore_index=True
                        )

df = df.merge(df_commentCount,how='left')

3. 统计展示

我们先将尺码中的ABC..罩杯部分单独成列

df['cup'] = df['尺码'].str[-1]

开始我们的简单统计展示吧

先看数据信息概况

>>> df.info()
    
<class 'pandas.core.frame.DataFrame'>
Int64Index: 64 entries, 0 to 63
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype 
---  ------        --------------  ----- 
 0   尺码            64 non-null     object
 1   skuId         64 non-null     object
 2   颜色            64 non-null     object
 3   commentCount  64 non-null     object
 4   cup           64 non-null     object
dtypes: object(5)
memory usage: 3.0+ KB

3.1. cup分布

不过我们采集的数据中只划分了A-B-C三种cup。。

cupNum = df.groupby('cup')['commentCount'].sum().to_frame('数量')
cupNum

import matplotlib.pyplot as plt
from matplotlib import font_manager as fm

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

labels = cupNum.index
sizes = cupNum['数量']
explode = (0, 0.1, 0) 

fig1, ax1 = plt.subplots(figsize=(6,5))
patches, texts, autotexts = ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
                                    shadow=True, startangle=90)
ax1.axis('equal') 

# 重新设置字体大小
proptease = fm.FontProperties()
proptease.set_size('large')
plt.setp(autotexts, fontproperties=proptease)
plt.setp(texts, fontproperties=proptease)
ax1.set_title('cup 分布')
plt.show()

我们可以看到，高达53.4%的买家是B-cup，其次才是A-cup占比27.8%。

3.2. color分布

colorNum = df.groupby('颜色')['commentCount'].sum().to_frame('数量')
colorNum

我们可以看到，藕粉色最多而且遥遥领先，其次是淡银灰、浅肤和淡蓝色。

以下是占比最高高达38.1%的藕粉色

4. 就这样吧

我们看到最多的34/75B，34就是英码对照，75可以理解为下胸围长（其实这里的34和75可以理解为一样的含义），B则是cup。

关于cup和胸围对照表，参考：

以上就是本次全部内容，由于样本量较小，仅供娱乐哈！