Das Scrapen von Bewertungsdaten auf Amazon ist eine relativ komplexe Aufgabe, vor allem weil Amazon über einen strengen Mechanismus zur Behinderung von Crawlern verfügt. Bevor Sie versuchen, Daten zu extrahieren, stellen Sie sicher, dass Sie die Nutzungsbedingungen von Amazon sowie die örtlichen Gesetze und Vorschriften verstanden und eingehalten haben, um mögliche rechtliche Probleme zu vermeiden.
Hier ist ein vereinfachtes Beispiel, das zeigt, wie man mit Python und einigen gängigen Bibliotheken wie Requests und BeautifulSoup versucht, den Inhalt einer Webseite abzurufen. Bitte beachten Sie jedoch, dass Sie bei der tatsächlichen Verwendung möglicherweise mit weiteren Anti-Crawler-Mechanismen umgehen müssen, z. B. mit JavaScript gerenderten Inhalten, dynamisch geladenen Daten, Anmeldebestätigung usw.
Stellen Sie zunächst sicher, dass die Requests und bs4-Bibliotheken installiert sind:
Pip-Installationsanfragen beautifulsoup4
import requests
from bs4 import BeautifulSoup
def get_amazon_reviews(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}
response = requests.get(url, headers=headers)
if response.status_code == 200:
soup = BeautifulSoup(response.text, 'html.parser')
# The selector here needs to be adjusted according to the actual HTML structure
reviews = soup.find_all('span', {'class': 'a-size-base review-text'})
for review in reviews:
print(review.text)
else:
print("Failed to retrieve content from the URL")
# Example URL, please replace with the actual Amazon product review page URL
url = 'https://www.amazon.com/product-reviews/YOUR_PRODUCT_ASIN/ref=cm_cr_arp_d_viewopt_rvwer?ie=UTF8&reviewerType=avp_only_reviews&sortBy=recent&pageNumber=1'
get_amazon_reviews(url)
User-Agent: Bitte stellen Sie sicher, dass der entsprechende User-Agent eingestellt ist, andernfalls kann die Anfrage abgelehnt werden.
Selektor: Die Selektoren im Beispiel (z. B. Span-Tags und Klassen) müssen möglicherweise entsprechend der tatsächlichen Seitenstruktur angepasst werden.
Crawler-Hindernisse: Amazon verfügt über komplexe Crawling-Hindernismechanismen, zu denen JavaScript-Rendering, dynamisches Laden von Daten usw. gehören können, die möglicherweise den Einsatz fortschrittlicherer Crawler-Technologien wie Selenium erfordern.
Rechtliche und ethische Fragen: Bevor Sie Website-Daten crawlen, stellen Sie bitte sicher, dass Sie die Nutzungsbedingungen der Website sowie die örtlichen Gesetze und Vorschriften verstanden und eingehalten haben.
Wenn Sie Selenium verwenden, um die Crawler-Blockierung von Amazon zu bekämpfen, können Sie deren Erkennung umgehen, indem Sie menschliche Vorgänge simulieren. Hier sind die spezifischen Schritte:
Installieren Sie die Selenium-Bibliothek und den entsprechenden WebDriver, z. B. ChromeDriver.
Initialisieren Sie WebDriver und öffnen Sie die Zielwebseite.
Simulieren Sie Benutzerverhalten wie Klicks und Eingaben durch Selenium.
Sie können auf die Schaltfläche „Zum Warenkorb hinzufügen“ klicken, die Kaufmenge auswählen und andere Vorgänge ausführen, um den Einkaufsvorgang normaler Benutzer zu simulieren.
Wenn Sie auf einen Bestätigungscode stoßen, können Sie ihn mithilfe von Bilderkennungstechnologie oder Drittanbieterdiensten lösen.
Im Prozess der Simulation des Benutzerverhaltens können Sie Daten auf der Seite extrahieren, wie z. B. Produktinformationen, Benutzerbewertungen usw.
Die Verwendung von Selenium ist möglicherweise langsamer und ressourcenintensiver als herkömmliche Crawler-Frameworks. Versuchen Sie daher, eine groß angelegte Verwendung zu vermeiden.
Lösung zur Anmeldeüberprüfung beim Crawlen von Amazon-Rezensionen mit Python:
Proxy verwenden: Durch die Konfiguration und Verwendung eines Proxys können Sie häufige Anfragen an dieselbe IP-Adresse vermeiden und so das Risiko verringern, von Amazon erkannt und gesperrt zu werden.
Benutzerverhalten simulieren: Verwenden Sie Browser-Automatisierungstools (wie Selenium), um die Vorgänge echter Benutzer zu simulieren, die Identifizierung und Eingabe von Bestätigungscodes automatisch abzuschließen und die Möglichkeit einer Erkennung zu verringern.
Crawling-Geschwindigkeit steuern: Kontrollieren Sie angemessen die Zugriffshäufigkeit des Crawlers, um zu vermeiden, dass der Bestätigungscode-Mechanismus von Amazon aufgrund einer zu hohen Crawling-Geschwindigkeit ausgelöst wird.
Vorbereitung der Kontoverifizierung: Für Situationen, in denen eine Kontoverifizierung erforderlich ist, bereiten Sie im Voraus relevante Verifizierungsmaterialien vor und stellen Sie sicher, dass die Netzwerkumgebung stabil ist, um die Erfolgsquote der Verifizierung zu erhöhen.
Die Verarbeitung der von Python gecrawlten Amazon-Bewertungsdaten kann in die folgenden Schritte unterteilt werden:
Verwenden Sie Anfragen und BeautifulSoup-Bibliotheken, um Webseitendaten zu erhalten.
Erhalten Sie echte Bewertungsdaten durch die Analyse von XHR-Anfragen und verwenden Sie einen Proxy, um einen stabilen Zugriff zu gewährleisten.
Verwenden Sie reguläre Ausdrücke oder BeautifulSoup, um die Bewertung, das Datum, den Inhalt und die Anzahl der Likes von Bewertungen zu extrahieren.
Speichern Sie die extrahierten Daten zur späteren Analyse in einer Excel-Datei oder Datenbank.
Utilisez la bibliothèque nltk pour le balisage de parties du discours et comptez les mots les plus fréquents.
Utilisez seaborn ou matplotlib pour dessiner un graphique à barres afin d'afficher les résultats.
La question de savoir s'il est illégal d'utiliser Python pour explorer les données d'avis Amazon dépend de plusieurs facteurs :
Nature des données : indique si les données de l'avis sont des informations publiques et si elles impliquent des renseignements personnels ou des secrets commerciaux.
But d'utilisation : Le but de l'exploration des données doit être légal et ne peut pas être utilisé à des fins de fraude commerciale, de concurrence malveillante ou d'autres activités illégales.
Conformité à la réglementation : le protocole robots d'Amazon et les autres réglementations pertinentes doivent être respectés, et les mesures techniques de protection du site Web ne doivent pas être contournées ou détruites.
Lois et réglementations : Il est également nécessaire de prendre en compte les dispositions spécifiques des lois et réglementations locales sur le comportement des robots pour garantir que le comportement est légal et conforme.
Par conséquent, L'exploration non autorisée des données d'avis d'Amazon peut constituer un acte illégal. Il est recommandé qu'avant d'explorer les données d'un site Web, vous compreniez les lois et réglementations en vigueur ainsi que les réglementations des sites Web pour garantir que le comportement est légal et conforme. Si nécessaire, vous pouvez consulter un avocat professionnel ou une institution juridique pour des conseils juridiques plus précis.
Scraper les avis Amazon est un défi technique et nécessite une gestion minutieuse des questions juridiques et éthiques. Si vous envisagez de mener de telles activités, il est recommandé de comprendre d'abord en détail les politiques pertinentes d'Amazon et d'envisager d'utiliser l'API officielle (si disponible) pour obtenir des données.
Das obige ist der detaillierte Inhalt vonSchritt-für-Schritt-Anleitung zum Scrapen von Amazon-Rezensionen mit Python. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
