Python | 爬虫实战——亚马逊搜索页监控(附详细源码)

2024-09-05 00:36

本文主要是介绍Python | 爬虫实战——亚马逊搜索页监控(附详细源码),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

背景

做亚马逊店铺,如果你的品卖爆了,免不得遇到被人跟品、广告关键词竞争甚至是恶意投诉等事情。

如果靠人去检查产品是否正常,存在不及时的问题。

所以,基本都会想要有一个自动检测的工具。

一般是自动根据关键词,设置邮编,查看对应市场下的搜索结果页是否,然后进一步判断搜索结构页的内容是否符合预期,比如该广告词搜索结果是否存在自家产品?自己产品是否占据视频广告位?自己产品的自然排位在第几位?广告排位在第几位?有哪些竞品?……

只要能拿到这个搜索结果页,你就能自动提取和检测多个信息。

所以关键的问题是,自动获取这个搜索结果页。

方案

自动抓取亚马逊搜索结果页逻辑,本质上也比较简单,就是一个 HTTP 请求而已。

关于爬虫技术,可以参考:《认识爬虫技术》

但想要达到预期效果,面对亚马逊这个平台,有 2 个需要克服的问题:

  1. 需要设置目标市场的邮编,实现和用户实际搜索一样的市场范围。

  2. 需要克服亚马逊的反爬虫机制。

邮编设置

亚马逊的邮编信息设置,如下设置为 17888:

我没有登录,可以随意更改。

说明这个邮编信息,肯定是存在前端缓存中,那一般就在 cookie 中。

我们可以 F12 查看 cookie,但是找不到邮编对应的 cookie 信息:

但可以看到有一个 session-token 信息,大概率邮编是加密保存在其中。

这些 cookie 信息过期时间都是 1 年,所以我们可以直接把 cookie 信息放入我们的请求脚本。

查看搜索的网络请求,如下,可以看到有个 Cookie 的请求头,把上面的 cookie 信息全部包含在其中。

我们可以直接复制这个 Cookie 请求头,加入 HTTP 请求头就能实现 17888 设置邮编一样的效果。

反爬虫设置

测试下来,亚马逊的反爬虫,和大多数爬虫一样:

  1. 检查 UA 和其他请求头

  2. 检查 Cookie 信息

  3. 检查请求频率

直接在脚本 HTTP 请求头中,把上面 F12 查看到的请求头完整加入理论上就可以了,如下:

import aiohttp
import asyncio
import os
import timedef save_html(content):# 确保目录存在directory = "page"if not os.path.exists(directory):os.makedirs(directory)# 生成文件名filename = time.strftime("%Y%m%d%H%M%S") + ".html"filepath = os.path.join(directory, filename)# 保存文件with open(filepath, 'w', encoding='utf-8') as file:file.write(content)print("页面已保存至:", filepath)async def monitor_amazon():headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/128.0.0.0 Safari/537.36","Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7","Accept-Encoding": "gzip, deflate, br, zstd","Connection": "keep-alive","Host": "www.amazon.com","Pragma": "no-cache","Cache-Control": "no-cache","device-memory": "8","sec-ch-device-memory": "8","dpr": "1","sec-ch-dpr": "1","viewport-width": "1287","sec-ch-viewport-width": "1287","rtt": "250","downlink": "10","ect": "4g","sec-ch-ua": '"Chromium";v="128", "Not;A=Brand";v="24", "Google Chrome";v="128"',"sec-ch-ua-mobile": "?0","sec-ch-ua-platform": '"Windows"',"sec-ch-ua-platform-version": '"15.0.0"',"Upgrade-Insecure-Requests": "1","Sec-Fetch-Site": "none","Sec-Fetch-Mode": "navigate","Sec-Fetch-User": "?1","Sec-Fetch-Dest": "document","Accept-Language": "zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7,fr;q=0.6","Cookie": "csm-sid=561-4363494-2586590; x-amz-captcha-1=1725426766590873; x-amz-captcha-2=coU0U1XjNmbWBo6t12F7Lw==; session-id=145-8557831-0273963; session-id-time=2082787201l; i18n-prefs=USD; ubid-main=135-5704831-0797008; skin=noskin; JSESSIONID=12AD7B880D398809E2385F69B353506A; session-token=JswlXQfSLBxq71q7wIMJNajjv7zTDlFSxhu+hA1idTc8X3yk1TP/yeQ8rBlKWLJXeMAX0cKAUM7NXYe/LmmGgsv9F44l0Q8EI43IanRD9e6XgYsSra04Q0RiAjvrZfAFRf6Gn222CjZ9PAAzzQ7YPq7qx5jEeaOKgtj3t0VkGVlKmTX3wWbnoIv1wJRAv3R9b3BgnIDgYX64V9hxyZQaobLX8LeI70c9uTD3bw8nOz5VMjHkdF4F8x1dzXZZp6QhmVe/ESi1qlfF2PQnt0JgHp2J+3xsDmq7rL8ogs0/haZAkS16oTC5w3ghPAuvqskUKvZRnmp6m8Xag6GSK37kmDkVr7pwyWB/; csm-hit=tb:YBQ9G3J9FVM18YJJW7QJ+s-YBQ9G3J9FVM18YJJW7QJ|1725430067985&t:1725430067985&adb:adblk_no",}# 监控的产品,搜索词keyword = "cat litter"asin = "B0CR919N3T"search_url = f"https://www.amazon.com/s?k={keyword.replace(' ', '+')}"async with aiohttp.ClientSession() as session:response = await session.get(search_url, headers=headers)html = await response.text()await session.close()save_html(html)if "dogs of amazon" in html.lower():print("搜索被标识为异常访问")elif asin.lower() in html.lower():print("在 Amazon 搜索结果页找到了关键词")else:print("在 Amazon 搜索结果页未找到 ASIN 关键词,发送警告")# 在 Windows 中使用 SelectorEventLoop
if __name__ == '__main__':if os.name == 'nt':loop = asyncio.SelectorEventLoop()asyncio.set_event_loop(loop)else:loop = asyncio.get_event_loop()loop.run_until_complete(monitor_amazon())loop.close()

代码很简单,抓取到页面后,但是,只有偶尔能成功获取到一次正常的页面,其他页面全部变 "狗",如下:

这个页面返回,明显是触发了亚马逊的返爬虫机制。

后续我尝试使用了海外的代理 IP,替换了多个和网页请求一致的请求头,但仍然一样。

相同的代码逻辑,我又改成了 Golang 脚本:

package mainimport ("fmt""io/ioutil""net/http""os""time"
)func saveHTML(content []byte) {directory := "page"// 确保目录存在if _, err := os.Stat(directory); os.IsNotExist(err) {os.Mkdir(directory, os.ModePerm)}// 生成文件名filename := time.Now().Format("20060102150405") + ".html"filepath := directory + "/" + filename// 保存文件err := ioutil.WriteFile(filepath, content, 0644)if err != nil {fmt.Println("保存文件失败:", err)} else {fmt.Println("页面已保存至:", filepath)}
}func monitorAmazon() {client := &http.Client{}// 创建请求req, err := http.NewRequest("GET", "https://www.amazon.com/s?k=cat+litter", nil)if err != nil {fmt.Println("创建请求失败:", err)return}// 设置请求头req.Header.Set("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/128.0.0.0 Safari/537.36")req.Header.Set("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7")req.Header.Set("Accept-Encoding", "gzip, deflate, br, zstd")req.Header.Set("Connection", "keep-alive")req.Header.Set("Host", "www.amazon.com")req.Header.Set("Pragma", "no-cache")req.Header.Set("Cache-Control", "no-cache")req.Header.Set("device-memory", "8")req.Header.Set("sec-ch-device-memory", "8")req.Header.Set("dpr", "1")req.Header.Set("sec-ch-dpr", "1")req.Header.Set("viewport-width", "1287")req.Header.Set("sec-ch-viewport-width", "1287")req.Header.Set("rtt", "250")req.Header.Set("downlink", "10")req.Header.Set("ect", "4g")req.Header.Set("sec-ch-ua", `"Chromium";v="128", "Not;A=Brand";v="24", "Google Chrome";v="128"`)req.Header.Set("sec-ch-ua-mobile", "?0")req.Header.Set("sec-ch-ua-platform", `"Windows"`)req.Header.Set("sec-ch-ua-platform-version", `"15.0.0"`)req.Header.Set("Upgrade-Insecure-Requests", "1")req.Header.Set("Sec-Fetch-Site", "none")req.Header.Set("Sec-Fetch-Mode", "navigate")req.Header.Set("Sec-Fetch-User", "?1")req.Header.Set("Sec-Fetch-Dest", "document")req.Header.Set("Accept-Language", "zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7,fr;q=0.6")req.Header.Set("Cookie", "xxx cookie")  // 直接复制浏览器网络请求头中的 Cookie 值// 执行请求resp, err := client.Do(req)if err != nil {fmt.Println("执行请求失败:", err)return}defer resp.Body.Close()body, err := ioutil.ReadAll(resp.Body)if err != nil {fmt.Println("读取响应失败:", err)return}fmt.Println("页面长度:", len(body))saveHTML(body)// 检测页面信息if asin := "B0CR919N3T"; string(body) != "" && string(body) != asin {fmt.Println("在 Amazon 搜索结果页未找到关键词,发送警告")} else {fmt.Println("在 Amazon 搜索结果页找到了关键词")}
}func main() {monitorAmazon()
}

很神奇的是,你会发现 Golang 这个脚本就可以获取到正确的页面。

这也太奇怪了,都是相同的 IP,说明和 IP 没有关系。

所以就打算用抓包工具抓两个脚本的请求明细,看看是否存在区别。

先在 Python 脚本中,增加了代理,抓包如下:

很神奇的是,直接执行脚本,返回内容只有长度为 2671 的变狗页面。

但通过抓包工具代理执行后,竟然能返回正常的页面。

差别在哪里呢?

仔细查看了抓包请求头信息和自己设置的请求头信息,完全一样,没差别。

那唯一的差别就是抓包工具代理了 HTTP 请求,抓包工具用了自己的 HTTP 请求包。

也就是说,唯一的差别就是 HTTP 客户端有差别。

这一下有了思路。

把 python 脚本使用地 requests 包替换成其他 http 工具包。

试了 urllib3、aiohttp。

我发现用 urllib3 和 request 包请求是一样地问题,一查才知道,requests 包底层处理 HTTP 请求时,就是用的urllib3,所以这两个 http 客户端工具包,本质上是同源的。

换成 aiohttp,瞬间,一切正常,不用加 IP 代理,保持源代码,只是换一个 http 工具包而已。

完整代码如下:

import aiohttp
import asyncio
import os
import timedef save_html(content):# 确保目录存在directory = "page"if not os.path.exists(directory):os.makedirs(directory)# 生成文件名filename = time.strftime("%Y%m%d%H%M%S") + ".html"filepath = os.path.join(directory, filename)# 保存文件with open(filepath, 'w', encoding='utf-8') as file:file.write(content)print("页面已保存至:", filepath)async def monitor_amazon():headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/128.0.0.0 Safari/537.36","Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.7","Accept-Encoding": "gzip, deflate, br, zstd","Connection": "keep-alive","Host": "www.amazon.com","Pragma": "no-cache","Cache-Control": "no-cache","device-memory": "8","sec-ch-device-memory": "8","dpr": "1","sec-ch-dpr": "1","viewport-width": "1287","sec-ch-viewport-width": "1287","rtt": "250","downlink": "10","ect": "4g","sec-ch-ua": '"Chromium";v="128", "Not;A=Brand";v="24", "Google Chrome";v="128"',"sec-ch-ua-mobile": "?0","sec-ch-ua-platform": '"Windows"',"sec-ch-ua-platform-version": '"15.0.0"',"Upgrade-Insecure-Requests": "1","Sec-Fetch-Site": "none","Sec-Fetch-Mode": "navigate","Sec-Fetch-User": "?1","Sec-Fetch-Dest": "document","Accept-Language": "zh-CN,zh;q=0.9,en-US;q=0.8,en;q=0.7,fr;q=0.6","Cookie": "xxx",   # 直接从你设置邮编后的亚马逊网页 F12 查看获取}# 监控的产品,搜索词keyword = "cat litter"asin = "B0CR919N3T"search_url = f"https://www.amazon.com/s?k={keyword.replace(' ', '+')}"async with aiohttp.ClientSession() as session:response = await session.get(search_url, headers=headers)html = await response.text()await session.close()save_html(html)if "dogs of amazon" in html.lower():print("搜索被标识为异常访问")elif asin.lower() in html.lower():print("在 Amazon 搜索结果页找到了关键词")else:print("在 Amazon 搜索结果页未找到 ASIN 关键词,发送警告")# 在 Windows 中使用 SelectorEventLoop
if __name__ == '__main__':if os.name == 'nt':loop = asyncio.SelectorEventLoop()asyncio.set_event_loop(loop)else:loop = asyncio.get_event_loop()loop.run_until_complete(monitor_amazon())loop.close()

能正常获取页面后,剩下的问题就要根据场景来处理。

如果你获取的频率很高,每分钟要获取好几次,那就必须引入动态 IP 代理。

如果频率很低,如果时保护自己产品不被恶意投诉下架,如代码示例判断产品是否还正常存在,那 10 分钟查一次就够了,这种频率,单个 IP 也没问题。

希望对你有帮助。

顺手点个收藏+赞呗~

 

这篇关于Python | 爬虫实战——亚马逊搜索页监控(附详细源码)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1137480

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

将Mybatis升级为Mybatis-Plus的详细过程

《将Mybatis升级为Mybatis-Plus的详细过程》本文详细介绍了在若依管理系统(v3.8.8)中将MyBatis升级为MyBatis-Plus的过程,旨在提升开发效率,通过本文,开发者可实现... 目录说明流程增加依赖修改配置文件注释掉MyBATisConfig里面的Bean代码生成使用IDEA生

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

Linux系统配置NAT网络模式的详细步骤(附图文)

《Linux系统配置NAT网络模式的详细步骤(附图文)》本文详细指导如何在VMware环境下配置NAT网络模式,包括设置主机和虚拟机的IP地址、网关,以及针对Linux和Windows系统的具体步骤,... 目录一、配置NAT网络模式二、设置虚拟机交换机网关2.1 打开虚拟机2.2 管理员授权2.3 设置子

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Linux系统中卸载与安装JDK的详细教程

《Linux系统中卸载与安装JDK的详细教程》本文详细介绍了如何在Linux系统中通过Xshell和Xftp工具连接与传输文件,然后进行JDK的安装与卸载,安装步骤包括连接Linux、传输JDK安装包... 目录1、卸载1.1 linux删除自带的JDK1.2 Linux上卸载自己安装的JDK2、安装2.1

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意