使用python爬取当当网2015年到2018年图书畅销榜，分析近年来大众阅读习惯的变化。
1、数据爬取
分析排行榜网面源码，可以找到数据所在的url地址为"http://bang.dangdang.com/books/ebooks/98.01.00.00.00.00-year-2015-0-1-1"，翻页观察url的变化，提炼出标准化url:"http://bang.dangdang.com/books/ebooks/98.01.00.00.00.00-year-{}-0-1-{}",其中{}表示变化的内容，第一个{}是畅销榜年份，第二个{}是页码。分析所要数据在html中的位置，利用xpath提取（也可以用re,不过我比较习惯用xpath)，最后将数据保存在数据库中。直接上代码啦！
2、数据清洗
首先查看下获取的数据长什么样！
代码：
结果：
有些字段是不需要的，如”_id“是mongodb自动添加的，删除不需要的字段或者直接选择需要留下的字段
code:
结果：
对选择的字段内容进行处理
可以看到，数据有很多不规范，比如ranking的值后面都有一个"."，需要去掉， price,comment_amount等含有特殊的货币及评论文字，不便于后续分析，考虑将其中含有的文字信息去掉。
通过观察可以看出， 很多字段的处理都是需要截取其中的一部分数字内容，因而可以定义一个截取的函数，方便反复使用。
code:
使用定义的函数依次对需要截取的字段进行处理
code:
结果：
从author字段中提取作家国籍
观察author字段中作者出现的形式，定义提取国籍的函数
code:
结果：
3、数据分析
图书类别分析
大类别分析
下面4幅图分别展示了不同年份畅销书类别排行榜，可以看出：1、小说、童书和文学类书籍一直位于畅销榜的前三甲，且小说及童书类与其它类别的差别较大。从发展趋势看，童书在近两年来逐渐超过小说成为最畅销的图书类别；2、总体来看，位于畅销榜前10的图书类别较为稳定，除近两年来青春文学类畅销排名有所下降，亲子及中小学辅导类畅销排名有所上升。可以看出，父母越来越重视孩子的早期教育，商家可考虑丰富童书类型，中小学辅导教材等。
童书类别细分
下面4幅图是对童书类别的细分，可以看出：中国儿童文学、科普及外国儿童文学一直是童书这一大类别下最畅销的子类别，且每年进入畅销排行榜的子类别都有所增加，看来祖国的花朵的阅读面越来越广啦。平台可考虑增加新的图书类型来增加卖点哦！
小说类别细分
下面4幅图是对小说类别的细分，可以看出：社会类小说一直位于小说类畅销榜的榜首。外国小说及世界名著类的畅销程度逐年攀升，大众的阅读范围更加广泛。
重复上榜率分析
统计每本图书出现在不同年份排行榜的次数，如下条形图及饼状图所示。可以看出：1、有将近45%的图书不止一次出现在了畅销榜上。图三是15年畅销榜书籍在以后各年依然位于畅销榜的漏斗图，可以看到，这一留存比率大约在55%-60%之间，说明图书畅销的热度有很大概率会持续，平台可考虑备货畅销榜书籍，通过数据分析手段识别没有购买畅销书籍的用户，向他们推荐畅销书籍。2、同时，畅销榜上的新书比例超过了55%，漏斗图中，到18年15年畅销书籍的留存率只有19%，说明大众阅读喜好的逐渐改变，商家要时刻关注大众新的阅读兴趣。
畅销排名与价格关系
图书是否畅销与图书价格是否有关系呢？下面4幅图是各年份图书价格与图书畅销排名的散点图。可以看出：1、图书的畅销程度与其价格高低并没有明显的线性关系，畅销榜上书的价格主要集中于25元左右；2、除去图书高度集中的价格区域，在图中较为稀疏的区域有近似的正向影响关系？是否可以猜想，图书价格过高（高于某一临界值，超出大众心里预算？）对图书销售有一定影响。3、15及16年畅销书基本集中于50元以内，17及18年畅销书的价格分布范围更广，尤其是50-100价格区间的畅销书数量显著增加，甚至出现超过500的畅销书。说明大众在图书消费方面的预算有逐渐增加的势头。在箱形图中，17年及18年的箱体更宽，平均数更高，也体现了这一趋势。
图书价格箱形图
图书国别分析
下面4幅图展示了15年到18年排行榜图书所属国家的数据情况，可以看出：1、每年位于排行榜上的书籍超过一半都是国内作家的作品。2、排行榜前5名的国家基本保持不变，16年日本超过英国成为第三名，毕竟东野圭吾的作品近年来在国内很欢迎的呀
畅销作家及作品榜
说了这到多，到底最受欢迎的作家作品有哪些，就在下面啦，这些书小伙伴们都看了吗！！！
4、总结
1、通过对于畅销图书类别的分析得出，童书及小说一直具有较高的销售热度，且童书的热度有不断攀升的趋势，这或许源于父母越来越重视孩子的早期教育。
2、通过对小说细类分析得出，社会类小说一直位于小说类畅销榜的榜首。外国小说及世界名著类的畅销程度逐年攀升，大众的阅读范围更加广泛。
3、通过分析图书上榜次数得出，图书留存比率大约在55%-60%之间，说明图书畅销的热度有很大概率会持续，平台可考虑备货畅销榜书籍，通过数据分析手段识别没有购买畅销书籍的用户，向他们推荐畅销书籍；同时，畅销榜上的新书比例超过了55%，漏斗图中，到18年15年畅销书籍的留存率只有19%，说明大众阅读喜好会逐渐改变，商家要时刻关注大众新的阅读兴趣。
4、通过对畅销书价格分析得出，1、图书的畅销程度与其价格高低并没有明显的线性关系；2、图书价格过高（高于某一临界值，超出大众心里预算？）时对图书销售有一定影响。3、大众在图书消费方面的预算有逐渐增加的势头。
5、通过分析畅销书作者国籍情况得出，日本作家作品近年来受到的关注有所增加。