Python:用bs4，BeautifulSoup抓取亚马逊网页

Question

我正试图从亚马逊网页上读取特定信息(名称、价格等(。为此，我使用"；Beautiful Soup"amp"请求"；正如大多数教程中所建议的那样。我的代码可以加载页面并找到我要找的项目，但没有真正得到它。我检查了网页，该项目确实存在。

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)

标题总是"；NONE"；因此调用get_Text将导致错误。有人能告诉我怎么了吗？

Answer 1

您的代码是100%正确的，但我已经尝试了您的代码并检查了page.content的值。里面有captcha。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以确定你是否可以合法地刮。

Answer 2

找到了通过captcha的方法。请求需要包含更好的标头。示例：

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，只需谷歌html状态代码。希望这能帮助任何有类似问题的人

干杯！