Python电商爬虫，法国亚马逊商品采集

亚马逊还是一个不错，挺有意思的网站，相对于国内电商平台，淘宝而言，它对于你爬的容忍度似乎更高？不知道反爬频率是多大，而不同的国家与地区有不同的网站，最关键的就是域名后缀，比如国内是cn，国际美国亚马逊是com，不过大部分国外站点是需要翻墙，而法国亚马逊恰好是一个国内可以访问的站点。

一个网友可以问询的东西，法国亚马逊采集，花了一点时间，搞了个很基础的demo，好像还是常规的一些东西，除了商品大图花费了不少时间，发现可以在js里可以获取到完整的商品大图，急着去买菜，所以也就有了这样一个基础版本。

通过调试，还是发现会存在获取不到的问题，不知道是反爬限制还是其他原因，待研究。

商品标题的获取

其实直接取title应该更简单，我这里是取得页面内容的标题。

req.xpath('//h1[@id="title"]/span[@id="productTitle"]/text()')

商品属性的获取

这里没有花很多时间去看，没看出是否存在链接，仅仅是把所有属性给提取出来了。

req.xpath('//ul[@class="a-unordered-list a-nostyle a-button-list a-declarative a-button-toggle-group a-horizontal a-spacing-top-micro swatches swatchesSquare"]/li')

商品描述的获取

进行了简单的格式化处理

productDescriptions=req.xpath('//div[@id="productDescription"]//text()')
productDescription=''.join(productDescriptions)

商品大图的获取

花费了不少时间，主要是找到图片链接费了不少力气，写入到js中了，没办法，只能用正则获取到图片链接。

imgs_text=re.findall(r'ImageBlockATF(.+?)return data;',html,re.S)[0]
imgs=re.findall(r'"large":"(.+?)","main":',imgs_text,re.S)

exe打包

链接:

https://pan.baidu.com/s/1rMqVT3s00EORUziJekq2SA

提取码:

35ds

附源码，仅供参考，学习，交流：

#法国亚马逊商品采集
#20200524 by 微信：huguo00289
#https://www.amazon.fr/dp/B07CNJTCBB/ref=twister_B07RVPW2GT?_encoding=UTF8&th=1# -*- coding=utf-8 -*-
import requests
from fake_useragent import UserAgent
import re,os,time,random
from lxml import etreedef ua():ua=UserAgent()headers={"User-Agent":ua.random}return headersdef get_data(url):id=re.findall(r'dp/(.+?)/',url,re.S)[0]print(f'>>>您输入的商品链接id为：{id},正在采集，请稍后..')response=requests.get(url,headers=ua(),timeout=8)time.sleep(2)if response.status_code == 200:print(">>>恭喜，获取网页数据成功！")html=response.content.decode('utf-8')with open(f'{id}.html','w',encoding='utf-8') as f:f.write(html)req=etree.HTML(html)h1=req.xpath('//h1[@id="title"]/span[@id="productTitle"]/text()')print(h1)h1=h1[0].strip()print(f'商品标题：{h1}')productDescriptions=req.xpath('//div[@id="productDescription"]//text()')productDescription=''.join(productDescriptions)print(f'商品描述：{productDescription}')imgs_text=re.findall(r'ImageBlockATF(.+?)return data;',html,re.S)[0]imgs=re.findall(r'"large":"(.+?)","main":',imgs_text,re.S)print(imgs)text=f'商品标题：{h1}\n商品描述：{productDescription}\n商品图片{imgs}'with open(f'{id}.txt','w',encoding='utf-8') as f:f.write(text)print(f">>>恭喜，保存商品数据成功，已保存为{id}.txt")lis=req.xpath('//ul[@class="a-unordered-list a-nostyle a-button-list a-declarative a-button-toggle-group a-horizontal a-spacing-top-micro swatches swatchesSquare"]/li')if len(lis)>1:print(f">>>商品存在分类属性，共有{len(lis)}分类！")spans=req.xpath('//div[@class="twisterTextDiv text"]/span[@class="a-size-base"]/text()')print(spans)if __name__ == '__main__':print("亚马逊采集工具-by 微信公众号：二爷记")print("BUG反馈 微信：huguo00289")print("请输入要采集的网址，按回车运行")url=input("请输入要采集的商品网址：")try:get_data(url)except Exception as e:if "port=443" in e:print("获取网页链接超时，正在重试..")get_data(url)print("采集完毕！")print("8s后，程序自动关闭，BUG反馈 微信：huguo00289")time.sleep(8)