利用 Python 爬虫进行跨境电商数据采集

news/2025/3/5 21:01:35/

  • 1 引言
  • 2 代理IP的优势
  • 3 获取代理IP账号
  • 4 爬取实战案例---（某电商网站爬取）
    • 4.1 网站分析
    • 4.2 编写代码
    • 4.3 优化代码
  • 5 总结

1 引言

  在数字化时代，数据作为核心资源蕴含重要价值，网络爬虫成为企业洞察市场趋势、学术研究探索未知领域的重要技术手段。然而爬虫实践中常面临技术挑战，例如某电商企业通过爬虫获取竞品数据时，因高频请求触发目标平台 IP 封锁机制导致采集中断。IP 代理在网络爬虫中发挥关键作用：通过分布式请求分散访问压力，可规避单 IP 高频访问限制并突破地域内容获取限制；同时能隐藏真实 IP 地址降低法律风险，模拟多用户行为特征优化反爬虫策略，有效平衡数据获取需求与网络访问规则。这种技术工具通过突破技术限制、提升采集效率、保障数据安全等多维价值，成为网络爬虫体系中的重要组成部分。本文将介绍代理IP在网络爬虫中的重要性，并结合实际应用。

2 代理IP的优势

  1. 强大的架构性能：采用高性能分布式集群架构，具备无限并发能力，不限制并发请求，能完美满足多终端使用需求，为各类业务稳定运行提供坚实保障。

  2. 丰富的功能配置：支持多种代理认证模式，同时兼容 HTTP、HTTPS 以及 socks5 协议。还提供 API 接口调用与可视化监控统计功能，为用户业务开展提供极大便利。

  3. 优质的资源保障：拥有千万级优质住宅代理 IP 池，实时更新来自 200 多个国家的真实家庭住宅 IP。这些 IP 具有高效率、低延迟的特点，且能提供超高私密性，有力保障数据安全。

  4. 个性化的定制服务：兼顾个人和企业用户的专属需求，支持根据业务场景定制独享 IP。 这个团队提供 24 小时服务与技术支持，全方位满足用户多样化业务需求。

3 获取代理IP账号

  这里我们可以选择进入官网网站，获取账号

image-20250226083712407

  在测试前，我们记得实名认证一下，这样我们就可以享受500M测试的额度了，接下来我们简单演示一下使用账密认证的形式获取代理~

  在获取代理前，我们首先要创建一下子账号，这里的用户名和密码都要采用字母+数字

image-20250226085533431

  接下来我们就可以获取代理信息了，前往获取代理，然后选择账密认证。这里选择所需的地区、子用户、粘性会话、代理协议以及我们需要的其他参数，我这里默认

image-20250226085616542

 生成代理信息，完成前面的设置后，我们将获得代理信息。请复制提供的详细信息并在您的代理软件中配置使用。

image-20250226085749886

 套餐选择一般有两个选项动态住宅代理和静态住宅代理，当然我相信很多人是不了解这两个的，这里我简单的介绍一下

  • 动态住宅代理的 IP 地址处于不断变化之中，这使得它在模拟多样化用户行为、规避网站访问限制等方面表现出色，像网络爬虫、广告验证等场景常能看到它的身影。其成本往往根据使用量或时长而定，相对较为灵活，价格一般不算高，还能为用户提供较好的匿名性保护，不过在速度和稳定性上可能会有一些波动。

  • 静态住宅代理有着固定不变的 IP 地址，在速度和稳定性方面更具优势，适用于对网络质量要求高的网站测试、电商监控等场景。由于其资源的特殊性，价格通常偏高，而且因为 IP 固定，相对容易被追踪，匿名性稍弱。

 此外官方还设置了许多使用教程，感兴趣的小伙伴可自行查阅！

 接下来让我们进入爬取实战环节。

4 爬取实战案例—（某电商网站爬取）

4.1 网站分析

 这是一个海外电商平台，今天我想要获取下面图中一些信息，这里选取的关键词是：IPhone 16

image-20250226103213908

 接下来我们想要获取商品的：title、price、link，如何获取呢，我们可以选择点击键盘上的F12,之后我们就可以按照下面的示例，进行选中对应的块了

image-20250226103523205

 这里我们选择通过soup.find_all(‘div’, class_=‘product-tuple-listing’)来查找所有的商品块

image-20250226103816035

 每个商品块包含了：

  • 商品名称：位于 <p class="product-title"> 标签中。
  • 商品价格：位于 <span class="lfloat product-price"> 标签中。
  • 商品链接：位于 <a> 标签中，包含 href 属性。

 上面是简单的网站结构分析，下面我们进行实战

4.2 编写代码

  1. 首先我们需要导入库，这里我们导入requests和bs4，这两种库
    • requests 是 Python 中一个简洁且功能强大的 HTTP 库，用于发送各种 HTTP 请求，使得在 Python 中进行网络请求变得非常容易。
    • bs4 即 BeautifulSoup 4，是一个用于解析 HTML 和 XML 文档的 Python 库，能够从网页中提取所需的数据。
python">import requests
from bs4 import BeautifulSoup
  1. 其次设置请求头，如下
python">headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
}
  1. 模拟浏览器请求。很多网站会根据请求头来判断请求是否来自浏览器，以防止自动化脚本等的访问。这里你也可以选择多设置几个

image-20250226104531453

  1. 之后我们确定目标 URL，这里是可以变动的，但是如果变动过大的话，后面对应的结构也得变动

  2. 获取页面的内容，requests.get(url, headers=headers)：发送 GET 请求到 Snapdeal 网站，获取网页内容。

    response.text：获取返回的 HTML 内容。BeautifulSoup(response.text, ‘html.parser’)：使用 BeautifulSoup 解析 HTML 内容。'html.parser' 是解析器，BeautifulSoup 会将 HTML 内容转换成一个可以通过 Python 代码进行操作的对象。

    response = requests.get(url, headers=headers) soup = BeautifulSoup(response.text, 'html.parser')

  3. 定义提取商品信息的函数，这里使用find_all函数

    python">def extract_product_info():products = []product_elements = soup.find_all('div', class_='product-tuple-listing')

    这里设置products = []：初始化一个空列表，用来存储商品信息。

    soup.find_all('div', class_='product-tuple-listing')：通过 BeautifulSoup 找到所有符合条件的 div 元素，这些 div 元素是每个商品的容器。根据页面的结构，每个商品信息都被包含在一个 div 标签中，其类名为 product-tuple-listing。

  4. 接下来就是for循环遍历了

python">for product in product_elements:title = product.find('p', class_='product-title').text.strip() if product.find('p', class_='product-title') else Noneprice = product.find('span', class_='lfloat product-price').text.strip() if product.find('span', class_='lfloat product-price') else Nonelink = product.find('a', href=True)['href'] if product.find('a', href=True) else None

 上面就是整个代码的核心步骤，下面我给出完整的代码

python">import requests
from bs4 import BeautifulSoup# 设置请求头模仿浏览器
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
}# 指定 URL，这里用的是你提供的 iPhone 16 搜索页面链接
url = 'https://www.snapdeal.com/search?keyword=iPhone%2016&santizedKeyword=Sony&catId=0&categoryId=0&suggested=false&vertical=p&noOfResults=20&searchState=&clickSrc=go_header&lastKeyword=&prodCatId=&changeBackToAll=false&foundInAll=false&categoryIdSearched=&cityPageUrl=&categoryUrl=&url=&utmContent=&dealDetail=&sort=rlvncy'# 获取页面内容
response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.text, 'html.parser')# 提取商品的名称、价格、URL等
def extract_product_info():products = []# 找到包含产品的所有元素product_elements = soup.find_all('div', class_='product-tuple-listing')for product in product_elements:title = product.find('p', class_='product-title').text.strip() if product.find('p',class_='product-title') else Noneprice = product.find('span', class_='lfloat product-price').text.strip() if product.find('span',class_='lfloat product-price') else Nonelink = product.find('a', href=True)['href'] if product.find('a', href=True) else None# 仅当所有必要的字段都有时才记录if title and price and link:product_info = {'title': title,'price': price,'link': f'https://www.snapdeal.com{link}',}products.append(product_info)return products# 获取并打印产品信息
products = extract_product_info()
for product in products:print(f"Title: {product['title']}")print(f"Price: {product['price']}")print(f"Link: {product['link']}")print("-" * 40)

 下面是运行的结果：

image-20250226114536449

4.3 优化代码

 接下来我们使用代理再试试，下面是官方为我们提供的关于Demo示例，从代码来看，还是十分简洁明了的

python">import requests
if __name__ == '__main__':
proxyip = "http://username_custom_zone_US:password@us.ipwo.net:7878"
url = "http://ipinfo.io"
proxies = {
'http': proxyip,
}
data = requests.get(url=url, proxies=proxies)
print(data.text)

 接下来我们再根据提供的代码示例，从而优化我们的代码，下面是完整的代码阐述

python">import requests
from bs4 import BeautifulSoup# 设置请求头模仿浏览器
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
}# 设置代理
proxyip = " "  # 替换为你自己的ip信息
proxies = {'http': proxyip,
}# 指定 URL，这里用的是你提供的 iPhone 16 搜索页面链接
url = 'https://www.snapdeal.com/search?keyword=iPhone%2016&santizedKeyword=Sony&catId=0&categoryId=0&suggested=false&vertical=p&noOfResults=20&searchState=&clickSrc=go_header&lastKeyword=&prodCatId=&changeBackToAll=false&foundInAll=false&categoryIdSearched=&cityPageUrl=&categoryUrl=&url=&utmContent=&dealDetail=&sort=rlvncy'# 获取页面内容，使用代理，禁用 SSL 验证
response = requests.get(url, headers=headers, proxies=proxies, verify=False)  # verify=False 关闭 SSL 验证
soup = BeautifulSoup(response.text, 'html.parser')# 提取商品的名称、价格、URL等
def extract_product_info():products = []# 找到包含产品的所有元素product_elements = soup.find_all('div', class_='product-tuple-listing')for product in product_elements:title = product.find('p', class_='product-title').text.strip() if product.find('p', class_='product-title') else Noneprice = product.find('span', class_='lfloat product-price').text.strip() if product.find('span', class_='lfloat product-price') else Nonelink = product.find('a', href=True)['href'] if product.find('a', href=True) else None# 仅当所有必要的字段都有时才记录if title and price and link:product_info = {'title': title,'price': price,'link': f'https://www.snapdeal.com{link}',}products.append(product_info)return products# 获取并打印产品信息
products = extract_product_info()
for product in products:print(f"Title: {product['title']}")print(f"Price: {product['price']}")print(f"Link: {product['link']}")print("-" * 40)

 下面是运行结果：

image-20250226114504892

5 总结

  通过本文的介绍，我们可以清楚的了解并认识到代理在网络数据采集是十分重要的，针对snapdeal电商平台的商品数据采集，发现了IPWO的强大之处，使我们进行网络数据采集的时候，效率大大的提高~


http://www.ppmy.cn/news/1576905.html

相关文章

mybatis热点面试题第五弹

mybatis热点面试题第五弹

1. MyBatis与Hibernate的区别 答案&#xff1a; MyBatis&#xff1a; 不完全是一个ORM框架&#xff0c;需要手动编写SQL语句&#xff0c;灵活性高&#xff0c;适合对数据库操作有高性能要求的场景。缺点是无法做到数据库无关性&#xff0c;如果需要支持多种数据库&#xff0c…
阅读更多...
C#async异步方法和task.Run异步方法的区别：

C#async异步方法和task.Run异步方法的区别：

async 方法和 Task.Run 方法在 C# 中都与异步编程相关，但它们的用途和实现方式有很大区别。以下是对它们的详细对比： 1. 基本定义和用途 1.1 async 方法 定义：async 是一个修饰符，用于定义异步方法。它允许在方法内部使用 await 关键字。 用途：async 方法通常用于处理 I/…
阅读更多...
Axure原型模板与元件库APP交互设计素材（附资料）

Axure原型模板与元件库APP交互设计素材（附资料）

为了高效地进行APP和小程序的设计与开发&#xff0c;原型设计工具Axure凭借其强大的功能和灵活性&#xff0c;成为了众多产品经理和设计师的首选。本文将详细介绍Axure原型模板APP常用界面组件元件库、交互设计素材&#xff0c;以及多套涵盖电商、社区服务、娱乐休闲、农业农村…
阅读更多...
10.【线性代数】—— 四个基本子空间

10.【线性代数】—— 四个基本子空间

十、 四个基本子空间 1. 列空间 C ( A ) C(A) C(A) in R m R^m Rm2. 零空间 N ( A ) N(A) N(A) in R n R^n Rn3. 行空间 C ( A T ) C(A^T) C(AT) in R n R^n Rn4. 左零空间 N ( A T ) N(A^T) N(AT) in R m R^m Rm综述5. 新的向量空间 讨论矩阵 A m ∗ n A_{m*n} Am∗n​…
阅读更多...
城电科技 | 城市中的“太阳花” 光伏发电新选择

城电科技 | 城市中的“太阳花” 光伏发电新选择

当艺术与科技相遇&#xff0c;会碰撞出怎样的火花&#xff1f;城电科技推出的光伏太阳花&#xff0c;以其独特的设计与智能化的功能&#xff0c;给出了答案。这款产品不仅具备太阳能发电的实用功能&#xff0c;更是一件充满科技属性的艺术型光伏发电产品&#xff0c;吸引了广泛…
阅读更多...
【软考-架构】1.2、指令系统-存储系统-cache

【软考-架构】1.2、指令系统-存储系统-cache

GitHub地址&#xff1a;https://github.com/tyronczt/system_architect ✨资料&文章更新✨ 文章目录 指令系统&#x1f4af;考试真题第一题第二题 指令系统-流水线&#x1f4af;考试真题第一题第二题第三题 存储系统&#x1f4af;考试真题第一题第二题关键解析结论 指令系统…
阅读更多...
【三.大模型实战应用篇】【4.智能学员辅导系统：docx转PDF的自动化流程】

【三.大模型实战应用篇】【4.智能学员辅导系统：docx转PDF的自动化流程】

去年团队庆功宴上，我司CTO端着酒杯过来：“老王啊，咱们现在文档解析做得挺溜了，但老师们总抱怨下载的作业格式乱码…” 我看了眼手机里凌晨三点收到的崩溃警报，把杯里的可乐一饮而尽——得，新的副本又开了。 一、为什么PDF转换比想象中难十倍？ 某次用户调研中，数学教研…
阅读更多...
http 状态码秒记速查（附速记口诀）

http 状态码秒记速查（附速记口诀）

&#x1f680;♥️♥️♥️开发常见 HTTP 状态码总结&#xff0c;按类别分类&#xff0c;便于快速查阅&#x1f447; 快速记忆口诀&#xff1a; 1xx&#xff1a;临时通知&#xff0c;继续操作2xx&#xff1a;成功搞定&#xff0c;无需担心3xx&#xff1a;资源搬家&#xff0c;…
阅读更多...
最新文章

Copyright @ 2022~2023