必须先检查robots.txt并分析xhr请求，因电商网站常禁止爬取关键路径且价格由js动态加载，直接requests+beautifulsoup易失败，需结合随机延迟、ua伪装、session复用及数据库去重存储。
抓取前先确认目标网站是否允许爬虫
绝大多数电商或价格比价网站会在 robots.txt 里明确禁止爬虫访问关键路径，比如 /price、/product 或 API 接口。直接硬爬不仅可能被封 IP，还可能触发法律风险。打开目标域名根目录下的 robots.txt（例如 https://example.com/robots.txt），重点看 Disallow: 后面是否包含你打算访问的路径。如果发现 Disallow: /api/ 或 Disallow: /prices，说明官方不希望你批量获取数据。
更隐蔽但常见的是：网站通过 JavaScript 渲染价格，且关键字段由前端 JS 动态请求后端接口填充。这时用 requests.get() 拿到的 HTML 里根本没价格，必须分析浏览器开发者工具的 Network 面板，找到真实返回价格的 XHR 请求 URL 和所需 headers（比如 X-Requested-With、Referer）。
用 requests + BeautifulSoup 处理静态页面时的关键陷阱
很多老系统仍用服务端渲染，价格写在 HTML 里，看似适合 requests + BeautifulSoup。但实际运行常遇到 403、429 或返回空 div —— 原因不是代码写错，而是缺了基础伪装：
-
headers必须包含User-Agent，否则多数 CDN（如 Cloudflare）直接拦截；推荐用主流浏览器 UA 字符串，别用默认的python-requests - 部分网站校验
Accept、Accept-Language，漏掉可能返回简化版 HTML 或重定向到提示页 - 价格元素 class 名常动态生成（如
price_abc123），不能硬写死 selector；优先用属性定位，比如[itemprop="price"]或[data-testid="current-price"] - 价格可能含货币符号、空格、换行，用
strip().replace('\n', '').replace(' ', '')再转 float 更稳妥
应对反爬最常用的三个低成本手段
不需要上 Selenium 或 Playwright，先试试这三招能否绕过基础防护：
第一，加随机延迟：time.sleep(random.uniform(1, 3))，避免秒级高频请求被识别为脚本；第二，换 User-Agent 并轮询代理 IP（免费代理质量差，建议用付费 residential proxy，如 BrightData 或 ScraperAPI）；第三，复用 session 并保持 cookies —— 很多网站要求先访问首页触发 cookie 设置，再请求商品页才放行。
如果目标网站用了前端加密参数（比如 URL 中带 sign=xxx），那就得逆向 JS：用浏览器断点调试找出生成逻辑，再用 execjs 或 py_mini_racer 在 Python 里执行等效 JS 代码，而不是硬猜参数规则。
存储与对比变动的核心逻辑不能只靠“存新查旧”
很多人写完抓取就直接把新价格 dump 到 CSV，下次运行再读出来比对 —— 这在单机小规模测试可行，但实际中会出问题：网络超时导致某次抓取失败，CSV 就缺一行；时间戳没对齐，同一天多次抓取覆盖了历史记录；不同 SKU 的价格单位不一致（比如有的标“¥199”，有的标“199.00”）。真正可用的做法是：
- 用 SQLite 或轻量级数据库（如
dataset库），每条记录带sku_id、price、scraped_at（精确到秒）、source_url - 每次入库前，用
ON CONFLICT REPLACE或 upsert 逻辑确保同一 SKU 当日只留最新一条 - 查变动时，不是简单比“上次”和“这次”，而是查每个 SKU 最近两条记录的时间差是否 >24h，再比价格是否变化 —— 避免因抓取间隔不均造成误报
真正难的不是怎么拿到价格，是怎么定义“有效变动”：促销价临时下调 2 小时算不算？同一商品在不同地区仓库显示不同价要不要合并？这些业务逻辑必须在入库前就设计好字段结构，后期补救成本极高。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
