适用场景：竞品盯价、大促价格跟踪、库存异动监控、商品信息批量统计，Python 完整实战，可直接上手运行
前言
做电商运营、选品或者个人薅羊毛，经常会遇到一个头疼问题：需要持续关注一批商品的价格、库存、规格变化。如果每天手动点开页面一个个复制记录，不仅耗费大量时间，还很容易错过大促降价、库存清空这类关键变化。
直接写页面解析脚本又会碰到一堆麻烦：网页结构改版就全部失效、访问频繁触发风控限制、各种动态渲染内容拿不到完整规格信息，调试维护成本很高。
最近在实践中发现借助 Open‑Claw 的数据能力，只需要输入商品编号，就能够拿到结构化的商品全部信息，包含标题、原价、实时售价、多规格参数、库存、店铺信息、图集等完整内容，不用处理复杂网页解析，我们可以快速搭建一套本地监控 + 数据分析脚本，完成定时采集、异动提醒、历史数据留存与简单统计分析。
本文完整演示从数据获取、持久化存储、异动告警，再到简单数据分析的全流程，代码可以直接复制修改使用。
整体实现思路
整套工具分为 4 个核心模块：
- 数据获取模块：输入商品编号，拿到标准化结构化商品数据，包含全部规格 SKU、价格、库存、品牌、图片、店铺等字段；支持缓存加速，减少重复请求消耗。
- 数据存储模块：每次采集带上时间戳，保存到本地 csv 文件，留存时序历史记录，不需要部署数据库，普通 Excel 就可以打开查看历史变化。
- 异动检测模块：对比本次与上一轮采集记录，识别价格涨跌、库存变动，控制台输出告警，后续可以拓展企业微信、钉钉消息推送。
- 数据分析模块：基于本地历史文件，做价格波动统计、多商品横向对比，输出简单分析结果，辅助选品和竞品研判。
环境准备
依赖基础库，执行安装：
pip install requests pandas完整代码实战
1. 基础数据获取封装
把网络请求逻辑封装，只传入商品编号，返回清洗之后的字典对象，同时处理异常情况（商品不存在、网络异常等）
# -*- coding:utf-8 -*-
import requests
import time
import pandas as pd
from datetime import datetime
class GoodsDataClient:
def __init__(self, key, secret):
self.key = key
self.secret = secret
self.base_url = "https://api‑gw.onebound.cn/jd/item_get_pro/"
def get_goods_info(self, goods_id):
"""根据商品编号获取商品结构化数据"""
params = {
"key": self.key,
"secret": self.secret,
"num_iid": goods_id,
"cache": "yes",
"result_type": "json"
}
headers = {
"Accept‑Encoding": "gzip",
"Connection": "close"
}
try:
resp = requests.get(self.base_url, params=params, headers=headers, timeout=15)
json_data = resp.json()
except Exception as e:
print(f"网络请求异常：{str(e)}")
return None
# 判断返回状态
if json_data.get("error_code") != "0000":
err_msg = json_data.get("reason", "未知异常")
print(f"获取数据失败：{err_msg}")
return None
item = json_data.get("item")
if not item:
print("未获取到商品主体信息")
return None
# 简单清洗整理核心字段
clean_data = {
"crawl_time": datetime.now().strftime("%Y‑%m‑%d %H:%M:%S"),
"goods_id": item.get("num_iid"),
"title": item.get("title"),
"brand": item.get("brand"),
"current_price": float(item.get("price", 0)) if item.get("price") else 0,
"origin_price": float(item.get("orginal_price",0)) if item.get("orginal_price") else 0,
"stock": item.get("num",0),
"shop_name": item.get("seller_info",{}).get("shop_name",""),
"detail_url": item.get("detail_url"),
"sku_list": item.get("skus",{}).get("sku",[])
}
return clean_data2. 本地持久化与异动告警逻辑
每次采集把数据追加写入 csv，同时对比上一条记录，发现价格或者库存发生明显变化，控制台打印告警提示。
class GoodsMonitor:
def __init__(self, client, save_file="goods_monitor.csv"):
self.client = client
self.save_file = save_file
def save_to_csv(self, data):
"""保存采集记录到本地csv"""
df_new = pd.DataFrame([data])
try:
df_old = pd.read_csv(self.save_file, encoding="utf‑8")
df_all = pd.concat([df_old, df_new], ignore_index=True)
except FileNotFoundError:
df_all = df_new
df_all.to_csv(self.save_file, index=False, encoding="utf‑8")
def check_change(self, new_data):
"""对比历史数据，检测价格库存异动"""
goods_id = new_data["goods_id"]
try:
df = pd.read_csv(self.save_file, encoding="utf‑8")
his = df[df["goods_id"] == goods_id].tail(1)
if len(his) ==0:
return []
last = his.iloc[0]
alert_list = []
# 价格变动超过0.1元触发提醒
price_diff = new_data["current_price"] - float(last["current_price"])
if abs(price_diff) > 0.1:
alert_list.append(f"【价格变动】原价{last['current_price']} → 现价 {new_data['current_price']}")
# 库存发生变化
if int(new_data["stock"]) != int(last["stock"]):
alert_list.append(f"【库存变动】旧库存{last['stock']} → 当前库存 {new_data['stock']}")
return alert_list
except Exception:
return []
def monitor_one_goods(self, goods_id):
print(f"\n====开始采集商品 {goods_id} ====")
info = self.client.get_goods_info(goods_id)
if not info:
print("采集失败，跳过该商品")
return None
# 保存记录
self.save_to_csv(info)
# 检查异动
alerts = self.check_change(info)
if alerts:
print("⚠️⚠️⚠️发现异动提醒：")
for a in alerts:
print(f"\t{a}")
else:
print("本次对比：无明显异动")
print(f"商品标题：{info['title']}")
print(f"当前售价：{info['current_price']} ｜ 原价：{info['origin_price']}｜库存：{info['stock']}")
return info3. 简单数据分析函数
读取本地全部历史记录，输出单商品价格统计，支持查看最高、最低、平均售价，也可以批量对比多款商品价格区间。
def analysis_goods(file_name, target_goods_id=None):
"""历史数据分析，打印价格统计信息"""
df = pd.read_csv(file_name, encoding="utf‑8")
if target_goods_id:
df = df[df["goods_id"] == str(target_goods_id)]
if len(df) ==0:
print("没有找到该商品的历史采集记录")
return
print(f"\n========商品 {target_goods_id} 历史价格统计========")
print(f"记录总条数：{len(df)}")
print(f"历史最低售价：{df['current_price'].min():.2f}")
print(f"历史最高售价：{df['current_price'].max():.2f}")
print(f"历史平均售价：{df['current_price'].mean():.2f}")
else:
# 全部商品简单汇总
group = df.groupby("goods_id").agg({
"current_price":["min","max","mean","count"]
}).round(2)
print("\n====全部监控商品汇总统计====")
print(group)
return df4. 主程序入口，定时循环监控
if __name__ == "__main__":
# 填入自己的凭证
MY_KEY = "你的密钥key"
MY_SECRET = "你的密钥secret"
client = GoodsDataClient(MY_KEY, MY_SECRET)
monitor = GoodsMonitor(client, save_file="goods_monitor.csv")
# 需要监控的商品编号列表，可以放多个商品
watch_goods = [
"10335871600",
# "填入更多商品id"
]
# 循环监控，设置间隔时间，单位秒，根据自身配额合理设置，不要请求过于频繁
while True:
for gid in watch_goods:
monitor.monitor_one_goods(gid)
time.sleep(4)
print("\n本轮采集完成，等待下一轮循环......")
time.sleep(60*10) # 10分钟执行一轮
# 如果需要执行分析，可以取消下面注释
# analysis_goods("goods_monitor.csv", watch_goods[0])使用说明与注意事项
- 获取商品编号 ：商品详情网页链接中，
item.jd.com/后面那串数字就是 goods_id，复制填入监控列表即可。 - 频率控制：循环间隔不要设置过小，频繁请求会消耗额度，也容易触发限制，建议至少数分钟以上一轮。
- 缓存开关：代码中 cache 参数设置 yes，会优先读取缓存数据，速度更快；如果需要实时最新数据，可以改为 no。
- 异常处理：脚本已经做了基础异常捕获，网络波动、商品下架不会让整个程序直接崩溃。当商品下架或者编号错误时控制台会打印提示。
- 拓展方向
- 告警：检测到价格变动之后，可以对接企业微信 / 钉钉 webhook 推送消息，不用盯着控制台。
- 可视化：基于 pandas+matplotlib，读取 csv 历史数据，画出商品价格走势图。
- 定时任务：Linux/macOS 用 crontab、Windows 使用任务计划程序，把脚本后台长期运行。
- 规格深度解析：返回结果中
sku_list包含全部规格的编号、价格、库存，我们可以二次处理做多规格分别监控。
拿到数据之后可以做哪些分析？
有了持续沉淀的时序数据，就可以落地很多业务分析：
- 大促价格研判：对比历史最低价位，判断当前是不是好的入手时机，观察大促期间真实降价幅度，区分先涨价再打折的虚假活动。
- 竞品对标：持续跟踪同行多款竞品的调价节奏、库存状态，了解对手上新、清仓动作。
- 库存预警：监控爆款库存水位，当库存快速下跌，及时捕捉市场热度变化。
- 规格分析：解析多规格数据，看哪一个规格价格最有优势，哪些规格经常缺货。
踩坑小结
之前尝试直接页面解析的方案，经常遇到页面改版代码直接失效，动态 JS 渲染拿不全 SKU 规格，调试消耗大量时间。借助 Open‑Claw 拿到已经处理好的结构化数据之后，我们只需要专注业务逻辑：存储、告警、数据分析，不用再消耗精力对抗网页反爬和页面变更，小工具开发效率提升非常明显。