利用 Python 爬虫进行跨境电商数据采集

1 引言
2 代理IP的优势
3 获取代理IP账号
4 爬取实战案例---（某电商网站爬取）
- 4.1 网站分析
- 4.2 编写代码
- 4.3 优化代码
5 总结

1 引言

在数字化时代，数据作为核心资源蕴含重要价值，网络爬虫成为企业洞察市场趋势、学术研究探索未知领域的重要技术手段。然而爬虫实践中常面临技术挑战，例如某电商企业通过爬虫获取竞品数据时，因高频请求触发目标平台 IP 封锁机制导致采集中断。IP 代理在网络爬虫中发挥关键作用：通过分布式请求分散访问压力，可规避单 IP 高频访问限制并突破地域内容获取限制；同时能隐藏真实 IP 地址降低法律风险，模拟多用户行为特征优化反爬虫策略，有效平衡数据获取需求与网络访问规则。这种技术工具通过突破技术限制、提升采集效率、保障数据安全等多维价值，成为网络爬虫体系中的重要组成部分。本文将介绍代理IP在网络爬虫中的重要性，并结合实际应用。

2 代理IP的优势

强大的架构性能：采用高性能分布式集群架构，具备无限并发能力，不限制并发请求，能完美满足多终端使用需求，为各类业务稳定运行提供坚实保障。
丰富的功能配置：支持多种代理认证模式，同时兼容 HTTP、HTTPS 以及 socks5 协议。还提供 API 接口调用与可视化监控统计功能，为用户业务开展提供极大便利。
优质的资源保障：拥有千万级优质住宅代理 IP 池，实时更新来自 200 多个国家的真实家庭住宅 IP。这些 IP 具有高效率、低延迟的特点，且能提供超高私密性，有力保障数据安全。
个性化的定制服务：兼顾个人和企业用户的专属需求，支持根据业务场景定制独享 IP。这个团队提供 24 小时服务与技术支持，全方位满足用户多样化业务需求。

3 获取代理IP账号

这里我们可以选择进入官网网站，获取账号

在测试前，我们记得实名认证一下，这样我们就可以享受500M测试的额度了，接下来我们简单演示一下使用账密认证的形式获取代理~

在获取代理前，我们首先要创建一下子账号，这里的用户名和密码都要采用字母+数字

接下来我们就可以获取代理信息了，前往获取代理，然后选择账密认证。这里选择所需的地区、子用户、粘性会话、代理协议以及我们需要的其他参数，我这里默认

生成代理信息，完成前面的设置后，我们将获得代理信息。请复制提供的详细信息并在您的代理软件中配置使用。

套餐选择一般有两个选项动态住宅代理和静态住宅代理，当然我相信很多人是不了解这两个的，这里我简单的介绍一下

动态住宅代理的 IP 地址处于不断变化之中，这使得它在模拟多样化用户行为、规避网站访问限制等方面表现出色，像网络爬虫、广告验证等场景常能看到它的身影。其成本往往根据使用量或时长而定，相对较为灵活，价格一般不算高，还能为用户提供较好的匿名性保护，不过在速度和稳定性上可能会有一些波动。
静态住宅代理有着固定不变的 IP 地址，在速度和稳定性方面更具优势，适用于对网络质量要求高的网站测试、电商监控等场景。由于其资源的特殊性，价格通常偏高，而且因为 IP 固定，相对容易被追踪，匿名性稍弱。

此外官方还设置了许多使用教程，感兴趣的小伙伴可自行查阅！

接下来让我们进入爬取实战环节。

4 爬取实战案例—（某电商网站爬取）

4.1 网站分析

这是一个海外电商平台，今天我想要获取下面图中一些信息，这里选取的关键词是：IPhone 16

接下来我们想要获取商品的：title、price、link，如何获取呢，我们可以选择点击键盘上的F12,之后我们就可以按照下面的示例，进行选中对应的块了

这里我们选择通过soup.find_all(‘div’, class_=‘product-tuple-listing’)来查找所有的商品块

每个商品块包含了：

商品名称：位于 <p class="product-title"> 标签中。
商品价格：位于 <span class="lfloat product-price"> 标签中。
商品链接：位于 <a> 标签中，包含 href 属性。

上面是简单的网站结构分析，下面我们进行实战

4.2 编写代码

首先我们需要导入库，这里我们导入requests和bs4，这两种库
- requests 是 Python 中一个简洁且功能强大的 HTTP 库，用于发送各种 HTTP 请求，使得在 Python 中进行网络请求变得非常容易。
- bs4 即 BeautifulSoup 4，是一个用于解析 HTML 和 XML 文档的 Python 库，能够从网页中提取所需的数据。

import requests
from bs4 import BeautifulSoup

其次设置请求头，如下

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
}

模拟浏览器请求。很多网站会根据请求头来判断请求是否来自浏览器，以防止自动化脚本等的访问。这里你也可以选择多设置几个

之后我们确定目标 URL，这里是可以变动的，但是如果变动过大的话，后面对应的结构也得变动
获取页面的内容，requests.get(url, headers=headers)：发送 GET 请求到 Snapdeal 网站，获取网页内容。

response.text：获取返回的 HTML 内容。BeautifulSoup(response.text, ‘html.parser’)：使用 BeautifulSoup 解析 HTML 内容。'html.parser' 是解析器，BeautifulSoup 会将 HTML 内容转换成一个可以通过 Python 代码进行操作的对象。

response = requests.get(url, headers=headers) soup = BeautifulSoup(response.text, 'html.parser')
定义提取商品信息的函数，这里使用find_all函数
```
def extract_product_info():
    products = []
    product_elements = soup.find_all('div', class_='product-tuple-listing')
```
这里设置products = []：初始化一个空列表，用来存储商品信息。

soup.find_all('div', class_='product-tuple-listing')：通过 BeautifulSoup 找到所有符合条件的 div 元素，这些 div 元素是每个商品的容器。根据页面的结构，每个商品信息都被包含在一个 div 标签中，其类名为 product-tuple-listing。
接下来就是for循环遍历了

for product in product_elements:
    title = product.find('p', class_='product-title').text.strip() if product.find('p', class_='product-title') else None
    price = product.find('span', class_='lfloat product-price').text.strip() if product.find('span', class_='lfloat product-price') else None
    link = product.find('a', href=True)['href'] if product.find('a', href=True) else None

上面就是整个代码的核心步骤，下面我给出完整的代码

import requests
from bs4 import BeautifulSoup

# 设置请求头模仿浏览器
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
}

# 指定 URL，这里用的是你提供的 iPhone 16 搜索页面链接
url = 'https://www.snapdeal.com/search?keyword=iPhone%2016&santizedKeyword=Sony&catId=0&categoryId=0&suggested=false&vertical=p&noOfResults=20&searchState=&clickSrc=go_header&lastKeyword=&prodCatId=&changeBackToAll=false&foundInAll=false&categoryIdSearched=&cityPageUrl=&categoryUrl=&url=&utmContent=&dealDetail=&sort=rlvncy'

# 获取页面内容
response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.text, 'html.parser')


# 提取商品的名称、价格、URL等
def extract_product_info():
    products = []

    # 找到包含产品的所有元素
    product_elements = soup.find_all('div', class_='product-tuple-listing')

    for product in product_elements:
        title = product.find('p', class_='product-title').text.strip() if product.find('p',
                                                                                       class_='product-title') else None
        price = product.find('span', class_='lfloat product-price').text.strip() if product.find('span',
                                                                                                 class_='lfloat product-price') else None
        link = product.find('a', href=True)['href'] if product.find('a', href=True) else None

        # 仅当所有必要的字段都有时才记录
        if title and price and link:
            product_info = {
                'title': title,
                'price': price,
                'link': f'https://www.snapdeal.com{link}',
            }
            products.append(product_info)

    return products


# 获取并打印产品信息
products = extract_product_info()
for product in products:
    print(f"Title: {product['title']}")
    print(f"Price: {product['price']}")
    print(f"Link: {product['link']}")
    print("-" * 40)

下面是运行的结果：

4.3 优化代码

接下来我们使用代理再试试，下面是官方为我们提供的关于Demo示例，从代码来看，还是十分简洁明了的

import requests
if __name__ == '__main__':
proxyip = "http://username_custom_zone_US:password@us.ipwo.net:7878"
url = "http://ipinfo.io"
proxies = {
'http': proxyip,
}
data = requests.get(url=url, proxies=proxies)
print(data.text)

接下来我们再根据提供的代码示例，从而优化我们的代码，下面是完整的代码阐述

import requests
from bs4 import BeautifulSoup

# 设置请求头模仿浏览器
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36',
}

# 设置代理
proxyip = " "  # 替换为你自己的ip信息
proxies = {
    'http': proxyip,
}

# 指定 URL，这里用的是你提供的 iPhone 16 搜索页面链接
url = 'https://www.snapdeal.com/search?keyword=iPhone%2016&santizedKeyword=Sony&catId=0&categoryId=0&suggested=false&vertical=p&noOfResults=20&searchState=&clickSrc=go_header&lastKeyword=&prodCatId=&changeBackToAll=false&foundInAll=false&categoryIdSearched=&cityPageUrl=&categoryUrl=&url=&utmContent=&dealDetail=&sort=rlvncy'

# 获取页面内容，使用代理，禁用 SSL 验证
response = requests.get(url, headers=headers, proxies=proxies, verify=False)  # verify=False 关闭 SSL 验证
soup = BeautifulSoup(response.text, 'html.parser')

# 提取商品的名称、价格、URL等
def extract_product_info():
    products = []

    # 找到包含产品的所有元素
    product_elements = soup.find_all('div', class_='product-tuple-listing')

    for product in product_elements:
        title = product.find('p', class_='product-title').text.strip() if product.find('p', class_='product-title') else None
        price = product.find('span', class_='lfloat product-price').text.strip() if product.find('span', class_='lfloat product-price') else None
        link = product.find('a', href=True)['href'] if product.find('a', href=True) else None

        # 仅当所有必要的字段都有时才记录
        if title and price and link:
            product_info = {
                'title': title,
                'price': price,
                'link': f'https://www.snapdeal.com{link}',
            }
            products.append(product_info)

    return products

# 获取并打印产品信息
products = extract_product_info()
for product in products:
    print(f"Title: {product['title']}")
    print(f"Price: {product['price']}")
    print(f"Link: {product['link']}")
    print("-" * 40)