全球数据爬取的解决方案-国外数据爬取

引言

随着经济的持续低迷和对外贸易的需求扩大，各个公司为了更好的了解海外客户情况，最简单直接的办法就是从全球收集公共的网络数据。

无论是海外电商用户的消费习惯还是训练自己的通用人工智能chatgpt，都是需要海量和多种类型数据的支持。自然而然也就需要爬取各个网站的数据。

而现如今数据爬取的难度越来越大，各个网站都会有限制IP请求、防机器判断、限流等各种反爬虫技术。因此这不仅需要用户对爬取网站的程序频繁更新，也需要程序猿的技术手段多种多样。

而像限制IP这种从访问来源上就拒绝的网站，就需要购买代理IP来实现反向代理匿名访问。
国内的代理IP服务商有很多，但大多数都是中国或者亚洲区域内的IP地址，如果你的公司做的是全球业务，则大概率需要访问境外的一些网站数据，而境外的网站有些会限制亚洲IP访问，那针对这种情况就需要能提供全球IP代理的服务商。

来自近195个国家的ip代理地址，有住宅IP，手机IP，数据中心IP，互联网服务供应商 IP

什么是bright data（亮数据）

在这里插入图片描述

bright data是一家在以色列的互联网公司，他们的主要产品是互联网数据服务，不少世界500强公司和欧美名校都是他们的客户，其实就是数据采集（爬虫），但是做到了很牛的程度。能提供各种已有收集到的互联网数据集

诸如Shoppee、Google、TikTok等电商、社交媒体、搜索引擎结果。

还有各种的基础设施服务，用来给有定制开发能力公司提供获取开放数据解决方案。

在这里插入图片描述

本文主要从业务场景的编码实战角度来体验一下bright data的IP代理服务，针对该平台的其他如网络解锁器，低代码数据集定制、浏览器等爬虫工具文末会简单介绍一下

代理IP服务的使用

在使用该平台IP代理之前，先需要了解以下4种IP代理网络的区别：

机房代理：机房代理是机房服务器分配的IP，流量通过机房代理路由，以帮助您访问世界各地的IP和位置。由于行程更短，架构简化，机房代理是最快最具成本效益的代理类型。
ISP代理：从互联网服务提供商处购买或租用的住宅IP构建而成，用于商业用途，不供私人住宅使用。即使ISP虽然托管在服务器上，但因为目标站点将ISP IP归类为与住宅IP类似，这也是ISP代理网络较机房代理网络更低成本的优势。
动态住宅：拥有海量真人原生住宅IP，这些真实的IP主人自愿加入并组成IP共享社区。可以使用该类IP定位复杂、难以访问的网站，像真人一样查看或采集相关数据。
移动代理：由世界各地的真人移动IP组成。这些真实的IP主人自愿加入的移动网络并共享IP。这些移动住宅IP由互联网服务提供商分发，用于移动设备。

考虑到各个公司的成本控制，比较经济适用的选择方式是 ISP代理>机房代理>动态住宅>移动代理

快速开始

登陆birght data注册并登陆账号（支持个人与公司）
选择你需要的IP代理产品类型，这里选择的是ISP代理

3. 设置ISP Zone代理的相关内容，如通道名称、IP类型、IP数

4. 激活代理IP通道并将本地开发机器IP加入白名单

5. 测试IP代理通道连接

通过本机执行该shell脚本，既可以json的方式获取IP代理通道中已分配的IP信息

curl --proxy brd.superproxy.io:22225 --proxy-user brd-customer-hl_d3f5c696-zone-test_isp_proxy_1:lx4p71atz58e "http://lumtest.com/myip.json"

在这里插入图片描述

python实战-ebay电商价格跟踪

电子商务数据对于个人和公司都是很有用的信息，其中主要用途是用于价格监控、竞争对手分析、市场研究、用户消费行为分析等。

这里我们抓取ebay电商平台的数据，不同品类的网页结构不一致，这加大了抓取数据的难度。但是，每个页面都会有一些通用的信息字段，例如产品和运费。

由于文章内容有限，所以只能列出大致的操作步骤，笔者相信各位都是有爬虫经验的程序员。

分析页面HTML元素

在这里插入图片描述

使用亮数据IP代理并解析页面数据

import requests
from bs4 import BeautifulSoup
import re
# 亮数据代理IP设置
host = 'brd.superproxy.io'
port = 22225
username = 'brd-customer-hl_d3f5c696-zone-test_isp_proxy_1'
password = 'lx4p71atz58e'
proxy_url = f'http://{username}:{password}@{host}:{port}'
proxies = {
    'http': proxy_url,
    'https': proxy_url
}
# 目标商品地址
url = f'https://www.ebay.com/itm/296388210331'
# 商品结果集初始化
item = {}

# 获取目标页面HTML元素
page = requests.get(url, proxies=proxies)
soup = BeautifulSoup(page.text, 'html.parser')
# css选择器解析页面数据
price_html_element = soup.select_one('.x-price-primary span[itemprop="price"]')
currency_html_element = soup.select_one('.x-price-primary span[itemprop="priceCurrency"]')
# 价格
price = price_html_element['content']
# 货币类型
currency = currency_html_element['content']
# 判断是否有其他费用
label_html_elements = soup.select('.ux-labels-values__labels')
for label_html_element in label_html_elements:
    if 'Shipping:' in label_html_element.text:
        shipping_price_html_element = label_html_element.next_sibling.select_one('.ux-textspans--BOLD')
        # 如果有运费HTML元素
        if shipping_price_html_element is not None:
            # 取出运费数据：US $105.44
            shipping_price = re.findall("\d+[.,]\d+", shipping_price_html_element.text)[0]
        break

# 将收集到商品价格数据添加到item字典中
item['price'] = price
item['shipping_price'] = shipping_price
item['currency'] = currency
# {'price': '499.99', 'shipping_price': '72.58', 'currency': 'USD'}
print(item)