Python爬虫实战：批量下载亚马逊商品图片

1. 引言

在电商数据分析、竞品调研或价格监控等场景中，爬取亚马逊商品图片是一项常见需求。然而，亚马逊（Amazon）作为全球最大的电商平台之一，具有严格的反爬机制，直接爬取可能会遇到IP封锁、验证码等问题。

本文将介绍如何使用Python爬虫技术批量下载亚马逊商品图片，涵盖以下内容：

• 目标分析：确定爬取亚马逊商品图片的策略
• 技术选型：选择合适的爬虫库（Requests、BeautifulSoup、Selenium等）
• 反爬绕过：设置合理的请求头、代理IP、延迟策略
• 图片下载：解析HTML并批量存储图片
• 完整代码实现：提供可运行的Python代码

2. 技术选型与准备工作

2.1 工具与库

• Python 3.x（推荐3.8+）
• Requests：发送HTTP请求获取网页内容
• BeautifulSoup（bs4）：解析HTML，提取图片URL
• Selenium（可选）：应对动态加载的页面
• Fake UserAgent：随机生成User-Agent，减少被封锁风险
• 代理IP（可选）：防止IP被封

2.2 安装依赖

3. 爬取亚马逊商品页面的策略

亚马逊的反爬机制较为严格，直接使用**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">requests</font>**可能会被拒绝访问。因此，我们需要：

1. 模拟浏览器请求 ：设置合理的**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">User-Agent</font>**和**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">Referer</font>**
2. 降低请求频率：避免短时间内高频访问
3. 使用代理IP（可选）：防止单一IP被封锁
4. 处理动态加载内容（可选）：部分图片可能由JavaScript加载，需用Selenium

4. 实现步骤

4.1 获取亚马逊商品页面

首先，我们尝试用**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">requests</font>**获取商品页面的HTML。

import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent

# 设置随机User-Agent
ua = UserAgent()
headers = {
    'User-Agent': ua.random,
    'Accept-Language': 'en-US,en;q=0.9',
    'Referer': 'https://www.amazon.com/'
}

# 目标商品URL（示例：亚马逊上的某款手机）
url = "https://www.amazon.com/dp/B09G9FPHY6"  # 替换为目标商品URL

try:
    response = requests.get(url, headers=headers, timeout=10)
    response.raise_for_status()  # 检查请求是否成功
    print("成功获取页面！")
except requests.exceptions.RequestException as e:
    print(f"请求失败: {e}")
    exit()

# 解析HTML
soup = BeautifulSoup(response.text, 'html.parser')

4.2 解析图片URL

亚马逊的商品图片通常存储在**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);"><img></font>**标签中，我们需要找到正确的**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">src</font>**或**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">data-src</font>**属性。

# 查找所有图片标签
image_tags = soup.find_all('img', {'class': 'a-dynamic-image'})

# 提取图片URL
image_urls = []
for img in image_tags:
    src = img.get('src') or img.get('data-src')
    if src and 'http' in src:  # 确保是有效的URL
        image_urls.append(src)

print(f"找到 {len(image_urls)} 张图片")

4.3 下载图片并存储

使用**<font style="color:rgb(64, 64, 64);background-color:rgb(236, 236, 236);">requests</font>**下载图片并保存到本地文件夹。

import os

# 创建存储目录
output_dir = "amazon_images"
os.makedirs(output_dir, exist_ok=True)

# 下载图片
for i, img_url in enumerate(image_urls[:10]):  # 限制下载前10张
    try:
        img_data = requests.get(img_url, headers=headers, timeout=10).content
        with open(f"{output_dir}/image_{i+1}.jpg", 'wb') as f:
            f.write(img_data)
        print(f"下载成功: image_{i+1}.jpg")
    except Exception as e:
        print(f"下载失败 {img_url}: {e}")

4.4 完整代码

import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
import os

# 代理配置
proxyHost = "www.16yun.cn"
proxyPort = "5445"
proxyUser = "16QMSOML"
proxyPass = "280651"

# 代理格式：http://用户名:密码@代理地址:端口
proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"
proxies = {
    "http": proxyMeta,
    "https": proxyMeta,
}

# 设置随机User-Agent
ua = UserAgent()
headers = {
    'User-Agent': ua.random,
    'Accept-Language': 'en-US,en;q=0.9',
    'Referer': 'https://www.amazon.com/'
}

# 目标商品URL
url = "https://www.amazon.com/dp/B09G9FPHY6"  # 替换为目标商品URL

# 获取页面（带代理）
try:
    response = requests.get(url, headers=headers, proxies=proxies, timeout=10)
    response.raise_for_status()
    print("成功获取页面！")
except requests.exceptions.RequestException as e:
    print(f"请求失败: {e}")
    exit()

# 解析HTML
soup = BeautifulSoup(response.text, 'html.parser')

# 提取图片URL
image_tags = soup.find_all('img', {'class': 'a-dynamic-image'})
image_urls = []
for img in image_tags:
    src = img.get('src') or img.get('data-src')
    if src and 'http' in src:
        image_urls.append(src)

print(f"找到 {len(image_urls)} 张图片")

# 下载图片（带代理）
output_dir = "amazon_images"
os.makedirs(output_dir, exist_ok=True)

for i, img_url in enumerate(image_urls[:10]):  # 限制下载前10张
    try:
        img_data = requests.get(img_url, headers=headers, proxies=proxies, timeout=10).content
        with open(f"{output_dir}/image_{i+1}.jpg", 'wb') as f:
            f.write(img_data)
        print(f"下载成功: image_{i+1}.jpg")
    except Exception as e:
        print(f"下载失败 {img_url}: {e}")

5. 进阶优化

使用Selenium处理动态加载内容

如果目标页面的图片是JavaScript动态加载的，可以使用Selenium模拟浏览器行为：

from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import time

# 设置无头浏览器
options = Options()
options.add_argument('--headless')  # 无界面模式
options.add_argument('--disable-gpu')
driver = webdriver.Chrome(options=options)

# 访问页面
driver.get(url)
time.sleep(3)  # 等待JS加载

# 获取页面源码
html = driver.page_source
soup = BeautifulSoup(html, 'html.parser')

# 后续解析和下载逻辑相同...
driver.quit()

6. 法律与道德提醒

• 遵守亚马逊的Robots协议 （https://www.amazon.com/robots.txt）
• 避免高频访问，防止IP被封
• 仅用于学习研究，不得用于商业爬取

7. 结语

本文介绍了如何使用Python爬虫批量下载亚马逊商品图片，涵盖请求模拟、HTML解析、反爬策略和图片存储。通过合理设置请求头、代理IP和延迟策略，可以有效降低被封锁的风险。

适用场景：

• 电商数据分析
• 竞品图片采集
• 自动化商品监控

进一步优化方向：

• 结合OCR识别图片中的文字（如价格、规格）
• 构建分布式爬虫提高效率
• 使用Scrapy框架进行更复杂的爬取任务