用Python獲取亞馬遜商品信息

Posted on by

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。訪問不是過於頻繁，在未觸發保護機制的情況下，可以獲取我們想要的數據。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，取得關鍵數據動態IP的作用及其使用方法

一、獲取亞馬遜列表頁的信息

以遊戲區為例：

        獲取列表內能獲取到的商品信息，如商品名，詳情鏈接，進一步獲取其他內容。

        用requests.get()獲取網頁內容，設置好header，利用xpath選擇器選取相關標簽的內容：

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方法湊完整鏈接
        print(itemUrl,itemName)

        此時已經獲取的當前列表頁目前能獲得的信息： 

二、獲取詳情頁信息

 進入詳情頁：

        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選取相關標簽的內容：

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)

         此時已經生成詳情頁數據的信息：

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

三、代理設置 

        目前，國內訪問亞馬遜會很不穩定，我這邊大概率會出現連接不上的情況。如果真的需要去爬取亞馬遜的信息，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50M流量。如果有代理的話訪問的成功率會高，速度也會快一點。         

        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

3.1.2 api獲取ip代碼

def getProxies():
    # 獲取且僅獲取一個ip
    api_url = '生成的api鏈接'
    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')

3.2.1 賬密獲取代理 

         因為是賬密驗證，所以需要 去到賬戶中心填寫信息創建子賬戶：

         創建好子賬戶之後，根據賬號和密碼獲取鏈接：

3.2.2 賬密獲取代理代碼

# 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("訪問失敗", e)
        pass

        使用代理之後，亞馬遜商品信息的獲取改善瞭不少，之前代碼會報各種連接失敗的錯誤，在requests請求之前調用代理獲取的方法，方法return回代理ip並加入requests請求參數，就可以實現代理請求瞭。

四、全部代碼

# 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鏈接'
    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)

        通過上面的步驟，可以實現最基礎的亞馬遜的信息獲取。

        目前隻獲得最基本的數據，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量的爬取，都能提升工作的效率。以上就是全部的內容。 

總結

到此這篇關於用Python獲取亞馬遜商品信息的文章就介紹到這瞭,更多相關Python亞馬遜商品信息內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：