亚马逊网络抓取

Question

我试着用幻影和蟒蛇来刮亚马逊的价格。我想用漂亮的汤来解析它，为了得到新的和用过的书的价格，问题是:当我通过我用幻影做的请求的来源时，价格只是0,00，代码就是这个简单的测试。

我在网络抓取方面是新手，但我不明白亚马逊是谁有措施避免刮价格，还是我做错了，因为我在尝试其他更简单的网页，我可以得到我想要的数据。

PD我在一个不支持使用amazon的国家，这就是为什么刮刀是必要的

import re
import urlparse

from selenium import webdriver
from bs4 import BeautifulSoup
from time import sleep

link = 'http://www.amazon.com/gp/offer-listing/1119998956/ref=dp_olp_new?ie=UTF8&condition=new'#'http://www.amazon.com/gp/product/1119998956'

class AmzonScraper(object):
    def __init__(self):
        self.driver = webdriver.PhantomJS()
        self.driver.set_window_size(1120, 550)

    def scrape_prices(self):
        self.driver.get(link)
        s = BeautifulSoup(self.driver.page_source)
        return s

    def scrape(self):
        source = self.scrape_prices()
        print source
        self.driver.quit()

if __name__ == '__main__':
    scraper = TaleoJobScraper()
    scraper.scrape()

Answer 1

首先，遵循@Nick的评论，研究使用条款，并确保您这边没有违规行为。

要解决这个问题，您需要调整PhantomJS所需的功能。

caps = webdriver.DesiredCapabilities.PHANTOMJS
caps["phantomjs.page.settings.userAgent"] = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/53 (KHTML, like Gecko) Chrome/15.0.87"

self.driver = webdriver.PhantomJS(desired_capabilities=caps)
self.driver.maximize_window()

而且，为了防弹，你可以做一个自定义 期望条件，等待价格变成非零。

from selenium.common.exceptions import StaleElementReferenceException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

class wait_for_price(object):
    def __init__(self, locator):
        self.locator = locator

    def __call__(self, driver):
        try :
            element_text = EC._find_element(driver, self.locator).text.strip()
            return element_text != "0,00"
        except StaleElementReferenceException:
            return False

用法：

def scrape_prices(self):
    self.driver.get(link)

    WebDriverWait(self.driver, 200).until(wait_for_price((By.CLASS_NAME, "olpOfferPrice")))
    s = BeautifulSoup(self.driver.page_source)

    return s

Answer 2

关于将幻影的用户代理设置为普通浏览器的好答案。既然你说你的国家被亚马逊封锁了，那么我可以想象你也需要设置一个代理。

下面是如何使用firefox用户代理和代理在python中启动phantomJS的示例。

from selenium.webdriver import *
from selenium.webdriver.common.desired_capabilities import DesiredCapabilities
service_args = [ '--proxy=1.1.1.1:port', '--proxy-auth=username:pass'  ]
dcap = dict( DesiredCapabilities.PHANTOMJS )
dcap["phantomjs.page.settings.userAgent"] = "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:36.0) Gecko/20100101 Firefox/36.0"
driver = PhantomJS( desired_capabilities = dcap, service_args=service_args )

其中1.1.1.1是代理ip，端口是代理端口。另外，只有当代理需要身份验证时，用户名和密码才是必需的。

Answer 3

另一个要尝试的框架是刮痕 --它比selenium更简单，selenium用于模拟浏览器交互。Scrapy为您提供了使用CSS selectors或XPath轻松解析数据的类，并提供了一个管道来以您想要的任何格式存储数据，例如将其写入MongoDB数据库

通常情况下，您可以编写一个完全构建的蜘蛛，并将它部署到中的Scrapy云中，在10行代码中进行部署。

查看这段关于如何使用Scrapy作为搜索亚马逊的评论用例的YT视频