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***，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测试数据/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://HdhCmsTestamazon.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?etree


def?ua():
????ua=UserAgent()
????headers={"User-Agent":ua.random}
????return?headers




def?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)

查看更多关于Python电商爬虫，法国亚马逊商品采集的详细内容...