【爬虫实战】利用代理爬取电商数据

文章目录

前言

当今电商平台正经历着快速的转型与升级。随着技术的进步和用户需求的多样化，电商不仅从简单的在线购物演变为综合性的购物生态系统，还融合了人工智能、大数据和云计算等先进技术。平台通过精准的用户数据分析，提供个性化的购物体验，优化了商品推荐和服务，显著提升了用户满意度和忠诚度。

在这一过程中，爬虫技术扮演了至关重要的角色。通过自动化的数据抓取，爬虫可以高效地收集竞争对手的产品信息、价格变动和市场趋势，为商家提供宝贵的市场洞察。它不仅帮助商家进行实时的价格调整和库存优化，还支持更精确的市场分析和风险预警，使电商平台在竞争激烈的环境中保持领先地位。

工具介绍

工欲善其事必先利其器。今天给大家推荐的是Proxy302，它是一个专业的全球

代理IP

采购平台，提供按需付费的充值方式、最全面的代理类型以及简洁高效的用户界面。我们来展开描述下他的特色。

• 按需付费，无月付套餐：无需套餐捆绑购买，按需付费，充值即可使用所有类型的代理IP，无阶梯式定价。
• 最全面代理类型：Proxy302提供市面上最全面的代理类型，满足各种业务需求。
• • 全球240＋国家和地区，6500万个住宅IP可供选择。
• • Proxy302支持HTTP、SOCKS5网络协议的代理。
• • Proxy302支持动态、静态代理，代理类型分为【动态按流量扣费】、【动态按IP扣费】、【静态按流量扣费】、【静态按IP扣费】，静态代理还分为住宅IP、数据中心IP。
• 简洁易用：用户界面简洁而不简单，易用且高效。提供浏览器扩展插件，实现一键设置代理，省去复杂配置步骤。

福利：点击右上角的调查问卷即可马上获取

$1

测试额度。

实战获取网站数据

这次我们要抓取的是某个知名的购书网站，内容包括：标题、链接、价格和图片链接。为了避免被检测为爬虫，我们首先需要获取登录用户的cookie。登录后，按下F12键，进入“网络”选项，选择任意一个流量记录，在请求头中找到cookie并复制下来。

然后，我们需要分析一下搜索框搜索“华为手机”之后的请求路径。可以从下图中看到，我们点击搜索之后，请求URL为https://search.dangdang.com/?key=%BB%AA%CE%AA%CA%D6%BB%FA&act=input&page_index=1，其中key为“华为手机”的转码，act为动作，page_index代表当前页是第一页。

接着我们需要确认商品元素在页面中的结构。可以观察到，所有商品都位于一个

<ul>

标签中，每个商品对应一个

<li>

标签，并且都有相应的class标记。

具体来说，标题位于

<p>

标签的title属性中，链接在

<a>

标签的href属性里，图片链接位于下层的

<img>

标签中，价格则位于另一个

<p>

标签中。接下来，我们将使用XPath来定位这些标签。

首先我们打开【帮助中心】

点击【快速入门】下的【查看更多】按钮

我们可以看到【非海外环境如何使用代理？】的标题，通过该内容我们了解到有4种实现海外环境的方式。此处阿Q选择使用

VPN

的方式进行，简单有效。

选择【静态IP】下的【按IP扣费】选项，选择【购买天数】和【国家】之后点击【生成】按钮即可获取到静态住宅IP。

出现下图即表示获取静态IP成功。

编写代码

拿到静态ip之后我们需要定义 get_html_str 函数，来向电商网站发送搜索请求：先定义请求头，模拟浏览器访问，其中包含了一些cookie信息。然后配置我们的代理信息，包含我们拿到的静态代理IP。最后发送HTTP请求到指定的URL，并返回网页源码。

# 发送请求，获取网页源码defget_html_str(url):# 请求头模拟浏览器（注意这里一定添加自己已经登录的cookie才可以）
    headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36','cookie':''}# 添加代理IP，此处是我们刚拿到的静态代理ip
    proxies ="";# proxies = {}# 添加请求头和代理IP发送请求
    response = requests.get(url, headers=headers, proxies=proxies)# 获取网页源码
    html_str = response.text
    # 返回网页源码return html_str

接着我们定义 get_data 函数，来解析网页中的元素，找到目标文本：首先接收网页源码、页码和数据列表作为参数。然后使用lxml.etree解析网页源码，提取商品信息，包括标题、价格、商品链接和图片链接。最后将提取的数据添加到数据列表中。

# 提取数据写入列表defget_data(html_str, page, data_list):# 将html字符串转换为etree对象方便后面使用xpath进行解析
    html_data = etree.HTML(html_str)# 利用xpath取到所有的li标签
    li_list = html_data.xpath('//div[@dd_name="普通商品区域"]/ul/li')# 遍历li_list列表取到某一个商品的对象标签for li in li_list:# 标题
        title = li.xpath('.//a[@class="pic"]/@title')
        title =''.join(title)# 商品链接
        goods_url ='https:'+ li.xpath('.//a[@class="pic"]/@href')[0]# 价格
        price = li.xpath('.//p[@class="price"]/span[@class="price_n"]/text()')[0]print(price)# 图片链接
        img_url ='https:'+ li.xpath('.//a[@class="pic"]/img/@src')[0]print({'页码': page,'标题': title,'价格': price,'商品链接': goods_url,'图片链接': img_url})
        data_list.append({'页码': page,'标题': title,'价格': price,'商品链接': goods_url,'图片链接': img_url})

接下来定义 to_excel 函数，将获取到的结果保存为excel文件：首先将数据列表转换为pandas的DataFrame对象。然后删除DataFrame中的重复数据。最后将DataFrame保存为Excel文件。

# 写入Exceldefto_excel(data_list):
    df = pd.DataFrame(data_list)
    df.drop_duplicates()# 删除重复数据
    df.to_excel('当当采集数据集.xlsx')

最后定义一个main函数方便调节参数、控制流程：首先设置爬取的关键词和页数。然后初始化一个空的数据列表。之后循环遍历每一页，调用get_html_str和get_data函数获取数据。最后调用to_excel函数将数据写入Excel文件。

defmain():# 1. 设置爬取的关键词和页数
    keyword ='华为手机'
    page_num =1# 爬取的页数
    data_list =[]# 空列表用于存储数据for page inrange(1, page_num +1):
        url =f'https://search.dangdang.com/?key={keyword}&act=input&page_index={page}'print(url)# 2. 获取指定页的网页源码
        html_str = get_html_str(url)# 3. 提取数据
        get_data(html_str, page, data_list)
        time.sleep(1)# 4. 写入Excel
    to_excel(data_list)

数据展示

以下是我们采集到的华为手机数据

推荐

值得注意的是Proxy302与302.AI是同一个开发团队，302.AI是一个汇集全球顶级品牌的AI超市，按需付费，无月费，全面开放使用各种类型AI。大家有需要可以自行体验！

总结

通过上面的实战，我们可以看到代理服务可以大大提高爬虫的匿名性和效率。Proxy302的代理可以满足这两点需求。

对开发者而言，Proxy302代理以其简单易用的特性，大幅降低了技术门槛。 开发者可以快速上手，无需深入了解代理服务的底层技术细节，即可实现高效的数据抓取。这不仅加快了开发进程，也使得开发者能够将更多精力投入到数据分析和业务逻辑的构建上。

Proxy302以其多维度的优势，为电商平台爬虫的实现提供了强有力的支持。无论是技术实现的便捷性，还是成本控制的灵活性，或是数据质量的高效性，以及整体操作的安全性，亮数据代理都是企业和个人在数据采集领域的理想选择。随着技术的不断进步和市场需求的日益增长，我们可以预见，代理服务将在电商数据采集领域扮演越来越重要的角色。