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

Python+FFmpeg实现视频自动化处理的完整指南

Python+FFmpeg实现视频自动化处理的完整指南

《Python+FFmpeg实现视频自动化处理的完整指南》本文总结了一套在Python中使用subprocess.run调用FFmpeg进行视频自动化处理的解决方案,涵盖了跨平台硬件加速、中间素材处理... 目录一、 跨平台硬件加速：统一接口设计1. 核心映射逻辑2. python 实现代码二、 中间素材处
阅读更多...
python中的flask_sqlalchemy的使用及示例详解

python中的flask_sqlalchemy的使用及示例详解

《python中的flask_sqlalchemy的使用及示例详解》文章主要介绍了在使用SQLAlchemy创建模型实例时,通过元类动态创建实例的方式,并说明了如何在实例化时执行__init__方法,... 目录@orm.reconstructorSQLAlchemy的回滚关联其他模型数据库基本操作将数据添
阅读更多...
Python实现快速扫描目标主机的开放端口和服务

Python实现快速扫描目标主机的开放端口和服务

《Python实现快速扫描目标主机的开放端口和服务》这篇文章主要为大家详细介绍了如何使用Python编写一个功能强大的端口扫描器脚本,实现快速扫描目标主机的开放端口和服务,感兴趣的小伙伴可以了解下... 目录功能介绍场景应用1. 网络安全审计2. 系统管理维护3. 网络故障排查4. 合规性检查报错处理1.
阅读更多...
Python轻松实现Word到Markdown的转换

Python轻松实现Word到Markdown的转换

《Python轻松实现Word到Markdown的转换》在文档管理、内容发布等场景中,将Word转换为Markdown格式是常见需求,本文将介绍如何使用FreeSpire.DocforPython实现... 目录一、工具简介二、核心转换实现1. 基础单文件转换2. 批量转换Word文件三、工具特性分析优点局
阅读更多...
Python中4大日志记录库比较的终极PK

Python中4大日志记录库比较的终极PK

《Python中4大日志记录库比较的终极PK》日志记录框架是一种工具,可帮助您标准化应用程序中的日志记录过程,：本文主要介绍Python中4大日志记录库比较的相关资料,文中通过代码介绍的非常详细,... 目录一、logging库1、优点2、缺点二、LogAid库三、Loguru库四、Structlogphp
阅读更多...
SQL Server中行转列方法详细讲解

SQL Server中行转列方法详细讲解

《SQLServer中行转列方法详细讲解》SQL行转列、列转行可以帮助我们更方便地处理数据,生成需要的报表和结果集,：本文主要介绍SQLServer中行转列方法的相关资料,需要的朋友可以参考下... 目录前言一、为什么需要行转列二、行转列的基本概念三、使用PIVOT运算符进行行转列1.创建示例数据表并插入数
阅读更多...
C++,C#,Rust,Go,Java,Python,JavaScript的性能对比全面讲解

C++,C#,Rust,Go,Java,Python,JavaScript的性能对比全面讲解

《C++,C#,Rust,Go,Java,Python,JavaScript的性能对比全面讲解》：本文主要介绍C++,C#,Rust,Go,Java,Python,JavaScript性能对比全面... 目录编程语言性能对比、核心优势与最佳使用场景性能对比表格C++C#RustGoJavapythonjav
阅读更多...
Python海象运算符:=的具体实现

Python海象运算符:=的具体实现

《Python海象运算符:=的具体实现》海象运算符又称​​赋值表达式,Python3.8后可用,其核心设计是在表达式内部完成变量赋值并返回该值,从而简化代码逻辑,下面就来详细的介绍一下如何使用,感兴趣... 目录简介​​条件判断优化循环控制简化​推导式高效计算​正则匹配与数据提取​性能对比简介海象运算符
阅读更多...
python项目环境切换的几种实现方式

python项目环境切换的几种实现方式

《python项目环境切换的几种实现方式》本文主要介绍了python项目环境切换的几种实现方式,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 如何在不同python项目中，安装不同的依赖2. 如何切换到不同项目的工作空间3.创建项目
阅读更多...
python项目打包成docker容器镜像的两种方法实现

python项目打包成docker容器镜像的两种方法实现

《python项目打包成docker容器镜像的两种方法实现》本文介绍两种将Python项目打包为Docker镜像的方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要... 目录简单版：（一次成功，后续下载对应的软件依赖）第一步：肯定是构建dockerfile，如下：第二步
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2