Python | 爬虫实战——亚马逊搜索页监控（附详细源码）

2024-09-05 00:36
文章标签 python 实战 源码 搜索 详细 爬虫 监控 亚马逊

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

使用Python实现矢量路径的压缩、解压与可视化

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1
阅读更多...
python获取网页表格的多种方法汇总

python获取网页表格的多种方法汇总

《python获取网页表格的多种方法汇总》我们在网页上看到很多的表格,如果要获取里面的数据或者转化成其他格式,就需要将表格获取下来并进行整理,在Python中,获取网页表格的方法有多种,下面就跟随小编... 目录1. 使用Pandas的read_html2. 使用BeautifulSoup和pandas3.
阅读更多...
Python装饰器之类装饰器详解

Python装饰器之类装饰器详解

《Python装饰器之类装饰器详解》本文将详细介绍Python中类装饰器的概念、使用方法以及应用场景,并通过一个综合详细的例子展示如何使用类装饰器,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录1. 引言2. 装饰器的基本概念2.1. 函数装饰器复习2.2 类装饰器的定义和使用3. 类装饰
阅读更多...
Python 交互式可视化的利器Bokeh的使用

Python 交互式可视化的利器Bokeh的使用

《Python交互式可视化的利器Bokeh的使用》Bokeh是一个专注于Web端交互式数据可视化的Python库,本文主要介绍了Python交互式可视化的利器Bokeh的使用,具有一定的参考价值,感... 目录1. Bokeh 简介1.1 为什么选择 Bokeh1.2 安装与环境配置2. Bokeh 基础2
阅读更多...
如何使用 Python 读取 Excel 数据

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》：本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读
阅读更多...
Python的time模块一些常用功能(各种与时间相关的函数)

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,：本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指
阅读更多...
利用Python调试串口的示例代码

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述：为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模
阅读更多...
Python ZIP文件操作技巧详解

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技
阅读更多...
Python Transformers库(NLP处理库)案例代码讲解

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模
阅读更多...
如何为Yarn配置国内源的详细教程

如何为Yarn配置国内源的详细教程

《如何为Yarn配置国内源的详细教程》在使用Yarn进行项目开发时,由于网络原因,直接使用官方源可能会导致下载速度慢或连接失败,配置国内源可以显著提高包的下载速度和稳定性,本文将详细介绍如何为Yarn... 目录一、查询当前使用的镜像源二、设置国内源1. 设置为淘宝镜像源2. 设置为其他国内源三、还原为官方
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2