Мне никогда раньше не приходилось иметь дело с парсингом данных из интернета. Обычно все данные для работы (аналитик данных) приходят из выгрузок компании с использованием простого внутреннего интерфейса, либо формируются sql-запросами к таблицам напрямую из хранилища, если нужно что-то более сложное, чем посмотреть выручку за предыдущий месяц.
Поэтому мне захотелось освоить какой-нибудь несложный инструмент парсинга html-страниц, чтобы уметь собирать данные из интернета с помощью кода в удобной для себя IDE без привлечения сторонних инструментов.
Сайты для сбора данных были подобраны по принципу нет блокировщика парсеров и из анализа этих данных может выйти что-то интересное. Поэтому выбор пал на ассортимент блюд на доставку трёх ресторанов Санкт-Петербурга - Токио City, Евразия и 2 Берега. У них приблизительно одна направленность кухни и похожий ассортимент, поэтому явно найдется, что сравнить.
Поделюсь самим парсером для одного из ресторанов.
import requestsfrom bs4 import BeautifulSoupimport pandas as pdimport datetimeprint("Начало парсинга Токио Сити: " + str(datetime.datetime.now()))#все страницы с информацией о менюurllist = ['https://www.tokyo-city.ru/spisok-product/goryachie-blyuda1.html', 'https://www.tokyo-city.ru/spisok-product/sushi.html', 'https://www.tokyo-city.ru/spisok-product/rolly.html', 'https://www.tokyo-city.ru/spisok-product/nabory.html', 'https://www.tokyo-city.ru/spisok-product/new_lunches.html', 'https://www.tokyo-city.ru/spisok-product/pitctca.html', 'https://www.tokyo-city.ru/spisok-product/salaty.html', 'https://www.tokyo-city.ru/spisok-product/-supy-.html', 'https://www.tokyo-city.ru/spisok-product/goryachie-zakuski1.html', 'https://www.tokyo-city.ru/spisok-product/wok.html', 'https://www.tokyo-city.ru/spisok-product/pasta.html', 'https://www.tokyo-city.ru/spisok-product/gamburgery-i-shaverma.html', 'https://www.tokyo-city.ru/spisok-product/Tokio-FIT.html', 'https://www.tokyo-city.ru/spisok-product/deserty.html', 'https://www.tokyo-city.ru/spisok-product/childrensmenu.html', 'https://www.tokyo-city.ru/spisok-product/napitki1.html', 'https://www.tokyo-city.ru/new/', 'https://www.tokyo-city.ru/spisok-product/postnoe-menyu.html', 'https://www.tokyo-city.ru/hit/', 'https://www.tokyo-city.ru/vegetarian/', 'https://www.tokyo-city.ru/hot/', 'https://www.tokyo-city.ru/offers/', 'https://www.tokyo-city.ru/spisok-product/sauces.html', 'https://www.tokyo-city.ru/spisok-product/Pirogi-torty.html']#создаем пустые списки для записи всех данныхnames_all = []descriptions_all = []prices_all = []categories_all = []url_all = []weight_all = []nutr_all = []#собираем данныеfor url in urllist: response = requests.get(url).text soup = BeautifulSoup(response, features="html.parser") items = soup.find_all('a', class_='item__name') itemsURL = [] n = 0 for n, i in enumerate(items, start=n): itemnotfullURL = i.get('href') itemURL = 'https://www.tokyo-city.ru' + itemnotfullURL itemsURL.extend({itemURL}) m = 0 namesList = [] descriptionsList = [] pricesList = [] weightList = [] nutrList = [] itemResponse = requests.get(itemURL).text itemsSoup = BeautifulSoup(itemResponse, features="html.parser") itemsInfo = itemsSoup.find_all('div', class_='item__full-info') for m, u in enumerate(itemsInfo, start=m): if (u.find('h1', class_='item__name') == None): itemName = 'No data' else: itemName = u.find('h1', class_='item__name').text.strip() if (u.find('p', class_='item__desc') == None): itemDescription = 'No data' else: itemDescription = u.find('p', class_='item__desc').text.strip() if (u.find('span', class_='item__price-value') == None): itemPrice = '0' else: itemPrice = u.find('span', class_='item__price-value').text if (u.find('div', class_='nutr-value') == None): itemNutr = 'No data' else: itemNutr = u.find('div', class_='nutr-value').text.strip() if (u.find('div', class_='item__weight') == None): itemWeight = '0' else: itemWeight = u.find('div', class_='item__weight').text.strip() namesList.extend({itemName}) descriptionsList.extend({itemDescription}) pricesList.extend({itemPrice}) weightList.extend({itemWeight}) nutrList.extend({itemNutr}) df = pd.DataFrame(( {'Name': namesList, 'Description': descriptionsList, 'Price': pricesList, 'Weight': weightList, 'NutrInfo': nutrList })) names_all.extend(df['Name']) descriptions_all.extend(df['Description']) prices_all.extend(df['Price']) weight_all.extend(df['Weight']) nutr_all.extend(df['NutrInfo']) df['Category'] = soup.find('div', class_='title__container').text.strip() categories_all.extend(df['Category'])result = pd.DataFrame(( {'Name': names_all, 'Description': descriptions_all, 'Price': prices_all, 'Category': categories_all, 'NutrInfo': nutr_all, 'Weight': weight_all, }))print("Парсинг Токио Сити окончен: " + str(datetime.datetime.now()))
Будет здорово увидеть какие-нибудь идеи по оптимизации/усовершенствованию этого парсера. Возможно, его можно сделать более универсальным. Сейчас, полагаю, он слишком топорный и капризный, если на сайте что-нибудь поменяется в страницах с категориями - он не будет работать.
А теперь к самому интересному - анализу полученной информации.
Начальные данные:
Наименование каждого блюда, его состав, цена, вес, калорийность, БЖУ и категория, к которой это блюдо относится.
Кусочек готовой к анализу таблицы с ассортиментом:
Для начала изучим общую направленность кухни каждого ресторана. Стоит сразу отметить, что речь пойдёт только о меню на доставку. Если сеть работает не только на доставку, но имеет и физические рестораны, то меню там может отличаться, возможно, оно будет больше и разнообразнее.
-
Токио City
Меню ресторана Токио City представлено 19 уникальными категориями и 5 дублирующимися, куда попадают блюда из других категорий, соответствующие определённому признаку (например, акционные блюда или подходящие вегетарианцам). Общее количество уникальных блюд - 351.
-
Евразия
Ассортимент блюд в Евразии несколько меньше - 13 категорий, 301 уникальное блюдо. Несмотря на то, что само название Токио City намекает на большое разнообразие японских блюд, этот ресторан предлагает почти на 40% меньше суши и роллов, чем, казалось бы, более универсальная кухня Евразии.
-
2 Берега
Этот ресторан имеет самый маленький ассортимент из анализируемых - 241 уникальное блюдо в 15 категориях.
Теперь, познакомившись с ассортиментом всех трёх ресторанов, посмотрим, какие ответы можно получить из добытых данных.
Вопрос 1: какую долю занимает фастфуд от всего меню уникальных блюд каждого ресторана?
К фастфуду относятся бургеры, пицца и разного рода стритфуд вроде шавермы.
В данном случае важно правильно определить, от каких категорий нужно считать процент, потому что некоторые категории не относятся к полноценным блюдам, а другие являются их дублированием. Поэтому из расчёта этого показателя убраны такие категории, как Напитки, Детское меню, Соусы, Наборы, Ланчи и Десерты + всевозможные вариации данных категорий.
Итог:
Выходит, 2 Берега - 1 по разнообразию пиццы в ассортименте. Это подтверждается, даже если просто сравнить количество блюд в категории Пицца во всех ресторанах (Токио City - 20, Евразия - 17 и 2 Берега - 51).
По остальным направлениям представленность фастфуда более-менее одинакова, разве что в Евразии отсутствует стритфуд.
Вопрос 2: в каком из трёх ресторанов самые выгодные и сытные порции?
В каждом из этих ресторанов достаточно много категорий, поэтому выберем самые показательные из них - Супы, Салаты и Горячие блюда. Там не приходится ждать никаких подводных камней в плане сортировки блюд по неправильным категориям. И, любопытства ради, добавим ещё категорию Детское меню, вдруг она проявит себя более интересно.
Посчитав цену за 100 грамм блюда в каждом ресторане, получаем следующие результаты:
У 2 Берега нет такой категории, как Горячие блюда. Есть ВОКи и паста, но традиционных горячих блюд вида гарнир + мясо нет. Поэтому в категории Горячие блюда сравниваются только Токио City и Евразия.
По всем категориям Токио City является безусловным лидером по соотношению цены и веса блюда. 2 Берега занимает почётное 2 место. Евразия оказывается в хвосте рейтинга. Даже если вычесть из средней цены за 100 грамм блюда в Евразии 30% (это максимальная скидка, которую предоставляет ресторан по картам лояльности), ресторан все равно ни в одной категории не сможет обогнать Токио City по выгоде.
Теперь изучим размер порций, которые могут предложить данные рестораны:
Евразия снова по всем категориям не смогла обогнать другие рестораны. Средний недовес порции составляет 30% относительно двух других ресторанов.
Зато 2 Берега отличился лучшим весом супов, салатов и детских блюд. Кстати, такой большой средний вес в категории Детские блюда у этого ресторана объясняется тем, что там представлены только наборы, в составе которых 2 блюда + напиток (вес напитка здесь не учитывается). Но даже с учётом этого факта можно похвалить этот ресторан за щедрые порции детского меню.
А Токио City предлагает отличные порции горячих блюд.
Вопрос 3: какова средняя калорийность блюда в каждом из ресторанов?
Здесь возьмем все блюда за исключением, конечно, напитков и соусов. Нам важно понять, насколько калорийна вся кухня ресторана в целом.
Калорийность половины блюд в Токио City не превышает 205 калорий в 100 граммах, поэтому присуждаем ресторану одного толстого кота из трёх. Это достаточно позитивный показатель для тех, кто следит за своим весом. А вот у блюд ресторана 2 Берега этот показатель на 35% выше, поэтому он получает максимальное количество толстых котов. Впрочем, в этом нет ничего удивительного, если вспомнить, какую долю от всего меню этого ресторана занимает пицца.
Последний вопрос: насколько сбалансированное питание может предложить каждый из ресторанов?
Для того, чтобы ответить на этот вопрос, составим диаграммы рассеяния для каждого ресторана, где осями будут углеводы и белки, а цвет будет показывать количество жиров в каждом блюде.
Несмотря на самую высокую калорийность на 100 грамм и большое количество фастфуда 2 Берега предлагает достаточно сбалансированное меню, тогда как у того же Токио City можно заметить явный перекос в сторону углеводов.
БЖУ Евразии какое-то слишком равномерное, практически без выбросов, поэтому вызывает подозрения.
Вообще в верности сделанных мной выводов конкретно в этом вопросе есть сомнения - возможно, для правильного ответа на вопрос эти показатели нужно оценивать как-то по-другому.
Вот такое небольшое, но любопытное, на мой взгляд, исследование получилось из случайной мысли спарсить бы что-нибудь.