Python：使用 bs4、BeautifulSoup 抓取亚马逊网页

Question

我正在尝试从亚马逊网页读取特定信息（名称、价格等...）。 为此，我正在使用大多数教程中建议的“BeautifulSoup”和“请求”。 我的代码可以加载页面并找到我正在寻找的项目，但无法实际获得它。 我检查了该项目明确存在的网页。

这是我的代码：

#import time
import requests
#import urllib.request
from bs4 import BeautifulSoup

URL = ('https://www.amazon.de/dp/B008JCUXNK/?coliid=I9G2T92PZXG06&colid=3ESRXLK53S0NY&psc=1&ref_=lv_ov_lig_dp_it')

# user agent = browser information (get via google search "my user agent")
headers = {"User-Agent": 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:80.0) Gecko/20100101 Firefox/80.0'}

page = requests.get(URL, headers=headers)# webpage

soup = BeautifulSoup(page.content, 'html.parser')# webpage as html

title = soup.find(id="productTitle")


print(title)

title 始终为“NONE”，因此调用 get_Text 会导致错误。 谁能告诉我出了什么问题？

Answer 1

您的代码 100% 正确，但我已经尝试了您的代码并检查了page.content值。 它包含验证码。 看起来亚马逊不希望你刮他们的网站。

你可以在这里阅读你的案例： https : //www.reddit.com/r/learnpython/comments/bf21fn/how_to_prevent_captcha_while_scraping_amazon/ 。

但我也建议阅读亚马逊的条款和条件https://www.amazon.com/gp/help/customer/display.html/ref=hp_551434_conditions以确定您是否可以合法地刮取它。

Answer 2

找到了通过验证码的方法。 请求需要包含更好的标头。 例子：

import datetime    
import requests

KEY = "YOUR_KEY_HERE"
date = datetime.datetime.now().strftime("%Y%m%d")

BASE_REQUEST = ('https://www.amazon.de/Philips-Haartrockner-ThermoProtect-Technologie-HP8230/dp/B00BCQIIMS?pf_rd_r=T1T8Z7QTQTGYM8F7KRN5&pf_rd_p=c832d309-197e-4c59-8cad-735a8deab917&pd_rd_r=20c6ed33-d548-47d7-a262-c53afe32df96&pd_rd_w=63hR3&pd_rd_wg=TYwZH&ref_=pd_gw_crs_zg_bs_84230031')

headers = {
    'dnt': '1',
    'upgrade-insecure-requests': '1',
    'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36',
    'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
    'sec-fetch-site': 'same-origin',
    'sec-fetch-mode': 'navigate',
    'sec-fetch-user': '?1',
    'sec-fetch-dest': 'document',
    'referer': 'https://www.amazon.com/',
    'accept-language': 'en-GB,en-US;q=0.9,en;q=0.8',
}

payload = {
    "api-key": KEY,
    "begin_date": date,
    "end_date": date,
    "q": "Donald Trump"
}

r = requests.get(BASE_REQUEST, headers=headers)

print(r.status_code)

if r.status_code == 200:
    print('success')

有关状态代码的信息，只需 google html 状态代码。 希望这可以帮助任何有类似问题的人

干杯!