技術文章 » 用Python獲取Amazon亞馬遜的商品資訊

用Python獲取Amazon亞馬遜的商品資訊

2022-10-08 18:01:51

引言

亞馬遜網站相較於國內的購物網站，可以直接使用python的最基本的requests進行請求。存取不是過於頻繁，在未觸發保護機制的情況下，可以獲取我們想要的資料。本次通過以下三部分簡單介紹下基本爬取流程：

  • 使用requests的get請求，獲取亞馬遜列表和詳情頁的頁面內容

  • 使用css/xpath對獲取的內容進行解析，取得關鍵資料

  • 動態IP的作用及其使用方法

一、獲取亞馬遜列表頁的資訊

以遊戲區為例：

0f7f805e4e9e0df03eb3143aa4f1a8d.jpg

程式設計師必備介面測試偵錯工具：

獲取列表內能獲取到的商品資訊，如商品名，詳情連結，進一步獲取其他內容。

用requests.get()獲取網頁內容，設定好header，利用xpath選擇器選取相關標籤的內容：

import requests  
from parsel import Selector  
from urllib.parse import urljoin  
   
spiderurl = 'https://www.amazon.com/s?i=videogames-intl-ship'  
headers = {  
    "authority": "www.amazon.com",  
    "user-agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 10_3_3 like Mac OS X) AppleWebKit/603.3.8 (KHTML, like Gecko) Mobile/14G60 MicroMessenger/6.5.19 NetType/4G Language/zh_TW",  
}  
resp = requests.get(spiderurl, headers=headers)  
content = resp.content.decode('utf-8')  
select = Selector(text=content)  
nodes = select.xpath("//a[@title='product-detail']")  
for node in nodes:  
    itemUrl = node.xpath("./@href").extract_first()  
    itemName = node.xpath("./div/h2/span/text()").extract_first()  
    if itemUrl and itemName:  
        itemUrl = urljoin(spiderurl,itemUrl)#用urljoin方法湊完整連結  
        print(itemUrl,itemName)
登入後複製

此時已經獲取的當前列表頁目前能獲得的資訊：

圖片2.png

二、獲取詳情頁資訊

進入詳情頁：

圖片3.png

進入詳情頁之後，能獲得更多的內容

用requests.get()獲取網頁內容，css選取相關標籤的內容：

res = requests.get(itemUrl, headers=headers)  
content = res.content.decode('utf-8')  
Select = Selector(text=content)  
itemPic = Select.css('#main-image::attr(src)').extract_first()  
itemPrice = Select.css('.a-offscreen::text').extract_first()  
itemInfo = Select.css('#feature-bullets').extract_first()  
data = {}  
data['itemUrl'] = itemUrl  
data['itemName'] = itemName  
data['itemPic'] = itemPic  
data['itemPrice'] = itemPrice  
data['itemInfo'] = itemInfo  
print(data)
登入後複製

此時已經生成詳情頁資料的資訊：

圖片4.png

目前涉及到的就是最基本的requests請求亞馬遜並用css/xpath獲取相應的資訊。

三、代理設定

目前，國記憶體取亞馬遜會很不穩定，我這邊大概率會出現連線不上的情況。如果真的需要去爬取亞馬遜的資訊，最好使用一些穩定的代理，我這邊自己使用的是ipidea的代理，可以白嫖500M流量。如果有代理的話存取的成功率會高，速度也會快一點。

網址在這裡：www.ipidea.net

代理使用有兩種方式，一是通過api獲取IP地址，還有用賬密的方式使用，方法如下：

3.1.1 api獲取代理

d6b1e002ba1685d81a8bd62894d0b80.jpg

a7feedc0026edd0ffebb428bccc7089.jpg

3.1.2 api獲取ip程式碼

def getProxies():  
    # 獲取且僅獲取一個ip  
    api_url = '生成的api連結'  
    res = requests.get(api_url, timeout=5)  
    try:  
        if res.status_code == 200:  
            api_data = res.json()['data'][0]  
            proxies = {  
                'http': 'http://{}:{}'.format(api_data['ip'], api_data['port']),  
                'https': 'http://{}:{}'.format(api_data['ip'], api_data['port']),  
            }  
            print(proxies)  
            return proxies  
        else:  
            print('獲取失敗')  
    except:  
        print('獲取失敗')
登入後複製

3.2.1 賬密獲取代理

因為是賬密驗證，所以需要去到賬戶中心填寫資訊建立子賬戶： 圖片7.png

圖片8.png

建立好子賬戶之後，根據賬號和密碼獲取連結：

3.2.2 賬密獲取代理程式碼

# 獲取賬密ip  
def getAccountIp():  
    # 測試完成後返回代理proxy  
    mainUrl = 'https://api.myip.la/en?json'  
    headers = {  
        "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8",  
        "User-Agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 10_3_3 like Mac OS X) AppleWebKit/603.3.8 (KHTML, like Gecko) Mobile/14G60 MicroMessenger/6.5.19 NetType/4G Language/zh_TW",  
    }  
    entry = 'http://{}-zone-custom{}:proxy.ipidea.io:2334'.format("帳號", "密碼")  
    proxy = {  
        'http': entry,  
        'https': entry,  
    }  
    try:  
        res = requests.get(mainUrl, headers=headers, proxies=proxy, timeout=10)  
        if res.status_code == 200:  
            return proxy  
    except Exception as e:  
        print("存取失敗", e)  
        pass
登入後複製

使用代理之後，亞馬遜商品資訊的獲取改善了不少，之前程式碼會報各種連線失敗的錯誤，在requests請求之前呼叫代理獲取的方法，方法return回代理ip並加入requests請求引數，就可以實現代理請求了。

四、全部程式碼

# coding=utf-8  
   
import requests  
from parsel import Selector  
from urllib.parse import urljoin  
   
def getProxies():  
    # 獲取且僅獲取一個ip  
    api_url = '生成的api連結'  
    res = requests.get(api_url, timeout=5)  
    try:  
        if res.status_code == 200:  
            api_data = res.json()['data'][0]  
            proxies = {  
                'http': 'http://{}:{}'.format(api_data['ip'], api_data['port']),  
                'https': 'http://{}:{}'.format(api_data['ip'], api_data['port']),  
            }  
            print(proxies)  
            return proxies  
        else:  
            print('獲取失敗')  
    except:  
        print('獲取失敗')  
   
spiderurl = 'https://www.amazon.com/s?i=videogames-intl-ship'  
headers = {  
    "authority": "www.amazon.com",  
    "user-agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 10_3_3 like Mac OS X) AppleWebKit/603.3.8 (KHTML, like Gecko) Mobile/14G60 MicroMessenger/6.5.19 NetType/4G Language/zh_TW",  
}  
proxies = getProxies()  
resp = requests.get(spiderurl, headers=headers, proxies=proxies)  
content = resp.content.decode('utf-8')  
select = Selector(text=content)  
nodes = select.xpath("//a[@title='product-detail']")  
for node in nodes:  
    itemUrl = node.xpath("./@href").extract_first()  
    itemName = node.xpath("./div/h2/span/text()").extract_first()  
    if itemUrl and itemName:  
        itemUrl = urljoin(spiderurl,itemUrl)  
        proxies = getProxies()  
        res = requests.get(itemUrl, headers=headers, proxies=proxies)  
        content = res.content.decode('utf-8')  
        Select = Selector(text=content)  
        itemPic = Select.css('#main-image::attr(src)').extract_first()  
        itemPrice = Select.css('.a-offscreen::text').extract_first()  
        itemInfo = Select.css('#feature-bullets').extract_first()  
        data = {}  
        data['itemUrl'] = itemUrl  
        data['itemName'] = itemName  
        data['itemPic'] = itemPic  
        data['itemPrice'] = itemPrice  
        data['itemInfo'] = itemInfo  
        print(data)
登入後複製

通過上面的步驟，可以實現最基礎的亞馬遜的資訊獲取。

目前只獲得最基本的資料，若想獲得更多也可以自行修改xpath/css選擇器去拿到你想要的內容。而且穩定的動態IP能是你進行請求的時候少一點等待的時間，無論是編寫中的測試還是小批次的爬取，都能提升工作的效率。以上就是全部的內容。

以上就是用Python獲取Amazon亞馬遜的商品資訊的詳細內容，更多請關注TW511.COM其它相關文章！