用Python取得Amazon亞馬遜的商品訊息

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。存取不是過於頻繁，在未觸發保護機制的情況下，可以取得我們想要的資料。本次透過以下三部分簡單介紹下基本爬取流程：

• 使用requests的get請求，取得亞馬遜清單和詳情頁的頁面內容

• 使用css/xpath對取得的內容進行解析，取得關鍵資料

• #動態IP的作用及其使用方法

一、取得亞馬遜清單頁的資訊

以遊戲區為例：

取得清單內能取得的商品資訊，如商品名，詳情鏈接，進一步獲取其他內容。

用requests.get()取得網頁內容，設定好header，利用xpath選擇器選取相關標籤的內容：

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方法凑完整链接  
        print(itemUrl,itemName)

此時已經取得的目前清單頁目前能獲得的資訊：

二、取得詳情頁資訊

進入詳情頁：

進入詳情頁之後，能獲得更多的內容

用requests.get()取得網頁內容，css選取相關標籤的內容：

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)

此時已經產生詳情頁資料的資訊：

目前涉及的就是最基本的requests請求亞馬遜並用css/xpath取得對應的資訊。

三、代理商設定 

目前，國內造訪亞馬遜會很不穩定，我這邊大機率會出現連線不上的狀況。如果真的需要去爬取亞馬遜的訊息，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500M流量。如果有代理的話訪問的成功率會高，速度也會快一點。

網址在這裡：http://www.ipidea.net/?utm-source=PHP&utm-keyword=?PHP 

代理程式使用有兩種方式，一是透過api取得IP位址，還有用帳密的方式使用，方法如下：

3.1.1 api取得代理

## 

3.1.2 api取得ip代碼

def getProxies():  
    # 获取且仅获取一个ip  
    api_url = '生成的api链接'  
    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('获取失败')  
    except:  
        print('获取失败')

3.2.1 帳密取得代理程式（註冊位址：http: //www.ipidea.net/?utm-source=PHP&utm-keyword=?PHP ）

因為是帳務驗證，所以需要去到帳號中心填寫資料建立子帳號：

 

 

建立好子帳戶之後，根據帳號和密碼取得連結：

3.2.2 帳密取得代理代碼

# 获取账密ip  
def getAccountIp():  
    # 测试完成后返回代理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("帐号", "密码")  
    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("访问失败", e)  
        pass

使用代理程式之後，亞馬遜商品資訊的取得改善了不少，之前程式碼會報各種連線失敗的錯誤，在requests請求之前呼叫代理程式取得的方法，方法return回代理ip並加入requests請求參數，就可以實現代理請求了。

四、全部代码

# coding=utf-8  
   
import requests  
from parsel import Selector  
from urllib.parse import urljoin  
   
def getProxies():  
    # 获取且仅获取一个ip  
    api_url = '生成的api链接'  
    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('获取失败')  
    except:  
        print('获取失败')  
   
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)

通过上面的步骤，可以实现最基础的亚马逊的信息获取。

目前只获得最基本的数据，若想获得更多也可以自行修改xpath/css选择器去拿到你想要的内容。而且稳定的动态IP能是你进行请求的时候少一点等待的时间，无论是编写中的测试还是小批量的爬取，都能提升工作的效率。以上就是全部的内容。 

以上是用Python取得Amazon亞馬遜的商品訊息的詳細內容。更多資訊請關注PHP中文網其他相關文章！