在电商数据分析、竞品监控等场景中，获取店铺全量商品数据是核心需求。本文聚焦淘宝店铺商品接口的技术实现，重点解决店铺页面结构解析、商品列表分页遍历、反爬策略适配等关键问题，提供一套合规、高效且可落地的批量采集方案，同时严格遵循平台规则与数据安全规范。
一、店铺商品接口基础原理与合规边界淘宝店铺商品数据存储于店铺专属页面（如 “全部宝贝” 页），需通过解析店铺页面结构、构造分页请求来获取全量商品。在技术实现前，需明确以下合规要点，确保方案通过 CSDN 审核且符合平台规则：
数据范围合规：仅采集店铺公开展示的商品信息（名称、价格、销量等），不涉及用户隐私、交易记录等敏感数据；
请求行为合规：单 IP 请求间隔不低于 5 秒，避免高频请求对平台服务器造成负载；
使用场景合规：数据仅用于个人学习、市场调研，不得用于商业竞争、恶意爬取等违规用途；
协议遵循：严格遵守淘宝robots.txt协议，不爬取协议禁止的页面（如登录后可见的店铺数据）。
二、核心技术难点与解决方案淘宝店铺商品页存在三大技术难点：① 店铺 ID 与 “全部宝贝” 页 URL 映射；② 动态分页参数加密；③ 反爬机制（如 IP 封禁、验证码拦截）。针对这些问题，解决方案如下：技术难点 解决方案
店铺 ID 与商品页映射 通过店铺首页解析 “全部宝贝” 入口 URL，提取店铺专属标识（如user_id）
动态分页参数 分析分页请求规律，构造包含pageNo（页码）、pageSize（每页条数）的合规参数
IP 封禁 / 验证码 采用 “代理池轮换 + 请求间隔控制 + 行为模拟” 组合策略，降低被拦截概率
点击获取key和secret
三、完整技术实现：从店铺解析到商品采集
1. 店铺首页解析：获取 “全部宝贝” 页入口
首先需从店铺首页提取 “全部宝贝” 页的 URL，该 URL 包含店铺唯一标识，是后续采集的基础。
python
运行
import requests
from lxml import etree
import re
import time
from fake_useragent import UserAgent
class ShopParser:
"""店铺首页解析器：提取店铺基础信息与“全部宝贝”页入口"""
def __init__(self):
self.ua = UserAgent()
self.session = requests.Session()
# 初始化请求头（模拟浏览器行为）
self.base_headers = {
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
"Accept-Language": "zh-CN,zh;q=0.9",
"Referer": "https://www.taobao.com/",
"Connection": "keep-alive",
"Upgrade-Insecure-Requests": "1"
}
def get_shop_headers(self):
"""动态生成请求头（随机User-Agent）"""
headers = self.base_headers.copy()
headers["User-Agent"] = self.ua.random
return headers
def parse_shop_homepage(self, shop_url):
"""
解析店铺首页，获取“全部宝贝”页URL与店铺基础信息
:param shop_url: 店铺首页URL（如https://xxx.taobao.com）
:return: 包含shop_id、all_products_url、shop_name的字典
"""
try:
# 发送店铺首页请求（设置5秒间隔，避免高频）
time.sleep(5)
response = self.session.get(
url=shop_url,
headers=self.get_shop_headers(),
timeout=10,
allow_redirects=True
)
response.encoding = "utf-8"
# 检查是否被反爬拦截（如跳转登录页、验证码页）
if self._is_blocked(response.text):
print("店铺首页请求被拦截，建议更换代理或稍后重试")
return None
# 解析页面DOM
tree = etree.HTML(response.text)
result = {}
# 1. 提取店铺名称
shop_name = tree.xpath('//div[@class="shop-name"]/text()')
result["shop_name"] = shop_name[0].strip() if shop_name else "未知店铺"
# 2. 提取“全部宝贝”页URL（两种常见路径适配）
all_products_path1 = '//a[contains(text(), "全部宝贝")]/@href'
all_products_path2 = '//a[@id="J_MallNavItem_AllItems"]/@href'
all_products_url = tree.xpath(all_products_path1) or tree.xpath(all_products_path2)
if not all_products_url:
print("未找到“全部宝贝”入口，可能是店铺结构变更或权限限制")
return None
# 处理相对URL，转为完整URL
all_products_url = all_products_url[0]
if all_products_url.startswith("//"):
all_products_url = f"https:{all_products_url}"
elif not all_products_url.startswith("http"):
all_products_url = f"{shop_url.rstrip('/')}/{all_products_url.lstrip('/')}"
result["all_products_url"] = all_products_url
# 3. 提取店铺ID（从全部宝贝URL中匹配）
shop_id_match = re.search(r"user_id=(\d+)|shop_id=(\d+)", all_products_url)
if shop_id_match:
result["shop_id"] = shop_id_match.group(1) or shop_id_match.group(2)
else:
print("未提取到店铺ID，可能是URL格式变更")
return None
print(f"店铺解析成功：{result['shop_name']}（ID：{result['shop_id']}）")
return result
except Exception as e:
print(f"店铺首页解析异常：{str(e)}")
return None
def _is_blocked(self, page_html):
"""判断是否被反爬拦截（基于页面关键词）"""
blocked_keywords = ["请登录", "安全验证", "验证码", "访问过于频繁"]
return any(keyword in page_html for keyword in blocked_keywords)
2. 商品列表分页采集：批量获取店铺商品
基于 “全部宝贝” 页 URL，构造分页请求，遍历所有页面获取全量商品数据，同时处理反爬与动态渲染问题。
python
运行
from concurrent.futures import ThreadPoolExecutor, as_completed
import random
import json
class ShopProductsCollector:
"""店铺商品采集器：分页遍历“全部宝贝”页，获取商品列表"""
def __init__(self, proxy_pool=None, max_workers=3):
self.shop_parser = ShopParser() # 复用店铺解析器的Session与请求头逻辑
self.proxy_pool = proxy_pool or [] # 代理池（格式：["http://ip:port", ...]）
self.max_workers = max_workers # 线程池最大线程数（控制并发）
self.page_size = 40 # 每页商品数（淘宝默认每页40条，适配平台规则）
def get_random_proxy(self):
"""从代理池随机获取代理（无代理则返回None）"""
if not self.proxy_pool:
return None
return random.choice(self.proxy_pool)
def parse_single_page_products(self, page_url, page_no):
"""
解析单页商品列表
:param page_url: “全部宝贝”页基础URL（不含分页参数）
:param page_no: 当前页码
:return: 该页商品列表（字典列表）+ 是否有下一页
"""
# 1. 构造分页参数（适配淘宝分页规则：pageNo=页码，pageSize=每页条数）
page_params = {
"pageNo": page_no,
"pageSize": self.page_size,
"sortType": "default" # 排序方式：default（默认）、sale-desc（销量降序）
}
# 2. 拼接完整分页URL（处理已有参数的情况）
if "?" in page_url:
full_page_url = f"{page_url}&{requests.compat.urlencode(page_params)}"
else:
full_page_url = f"{page_url}?{requests.compat.urlencode(page_params)}"
try:
# 3. 发送分页请求（随机代理+5秒间隔）
time.sleep(5)
proxy = self.get_random_proxy()
proxies = {"http": proxy, "https": proxy} if proxy else None
response = self.shop_parser.session.get(
url=full_page_url,
headers=self.shop_parser.get_shop_headers(),
proxies=proxies,
timeout=15,
allow_redirects=True
)
response.encoding = "utf-8"
# 4. 检查反爬拦截
if self.shop_parser._is_blocked(response.text):
print(f"第{page_no}页请求被拦截，代理{proxy}可能失效")
# 移除失效代理（若存在）
if proxy and proxy in self.proxy_pool:
self.proxy_pool.remove(proxy)
return [], True # 返回空列表，标记需重试
# 5. 解析商品列表（适配淘宝商品卡片DOM结构）
tree = etree.HTML(response.text)
product_cards = tree.xpath('//div[contains(@class, "item J_MouserOnverReq")]')
products = []
for card in product_cards:
product = {}
# 商品标题（去除换行与空格）
title = card.xpath('.//a[@class="J_ClickStat"]/@title')
product["title"] = title[0].strip() if title else ""
# 商品价格（提取数字部分）
price = card.xpath('.//strong[@class="J_price"]/text()')
product["price"] = price[0].strip() if price else "0.00"
# 商品销量（处理“100+”“1.2万”等格式）
sale_count = card.xpath('.//div[@class="deal-cnt"]/text()')
product["sale_count"] = sale_count[0].strip() if sale_count else "0"
# 商品URL（完整链接）
product_url = card.xpath('.//a[@class="J_ClickStat"]/@href')
if product_url:
product_url = product_url[0].strip()
product["url"] = f"https:{product_url}" if product_url.startswith("//") else product_url
else:
product["url"] = ""
# 商品图片URL（高清图）
img_url = card.xpath('.//img[@class="J_ItemImg"]/@src')
if img_url:
img_url = img_url[0].strip()
product["img_url"] = f"https:{img_url}" if img_url.startswith("//") else img_url
else:
product["img_url"] = ""
# 商品ID（从URL中提取）
product_id_match = re.search(r"id=(\d+)", product["url"])
product["item_id"] = product_id_match.group(1) if product_id_match else ""
# 过滤无效商品（标题/ID为空的排除）
if product["title"] and product["item_id"]:
products.append(product)
# 6. 判断是否有下一页（检查“下一页”按钮是否存在且可点击）
has_next_page = len(tree.xpath('//a[contains(@class, "J_SearchAsyncNext") and not(@style="display:none")]')) > 0
print(f"第{page_no}页解析完成，获取{len(products)}个商品，是否有下一页：{has_next_page}")
return products, has_next_page
except Exception as e:
print(f"第{page_no}页解析异常：{str(e)}")
return [], True # 异常时标记需重试
def collect_all_products(self, shop_url, max_pages=20):
"""
采集店铺全量商品（多页并发，限制最大页数避免过度采集）
:param shop_url: 店铺首页URL
:param max_pages: 最大采集页数（防止无限分页）
:return: 店铺全量商品列表（字典列表）+ 采集统计信息
"""
# 1. 先解析店铺首页，获取“全部宝贝”页URL
shop_info = self.shop_parser.parse_shop_homepage(shop_url)
if not shop_info or "all_products_url" not in shop_info:
print("店铺基础信息解析失败，无法启动商品采集")
return [], {"status": "failed", "reason": "shop_parse_error"}
all_products_url = shop_info["all_products_url"]
all_products = []
current_page = 1
has_next_page = True
retry_pages = set() # 需重试的页码集合
# 2. 分页采集（先串行获取总页数，再并发采集剩余页面）
print(f"开始采集{shop_info['shop_name']}的商品，从第1页开始...")
first_page_products, has_next_page = self.parse_single_page_products(all_products_url, current_page)
if first_page_products:
all_products.extend(first_page_products)
current_page += 1
# 3. 并发采集后续页面（控制最大页数）
with ThreadPoolExecutor(max_workers=self.max_workers) as executor:
# 提交任务（从第2页到max_pages页，或直到无下一页）
future_tasks = {}
while current_page <= max_pages and has_next_page:
future = executor.submit(
self.parse_single_page_products,
all_products_url,
current_page
)
future_tasks[future] = current_page
current_page += 1
# 若已无下一页，停止提交任务
if not has_next_page:
break
# 处理任务结果
for future in as_completed(future_tasks):
page_no = future_tasks[future]
page_products, page_has_next = future.result()
if page_products:
all_products.extend(page_products)
else:
retry_pages.add(page_no) # 记录需重试的页码
# 更新是否有下一页（只要有一页返回有下一页，就继续）
has_next_page = has_next_page or page_has_next
# 4. 重试失败页面（串行重试，避免并发加重反爬）
if retry_pages:
print(f"开始重试{len(retry_pages)}个失败页面：{sorted(retry_pages)}")
for page_no in sorted(retry_pages):
retry_products, _ = self.parse_single_page_products(all_products_url, page_no)
if retry_products:
all_products.extend(retry_products)
print(f"第{page_no}页重试成功，新增{len(retry_products)}个商品")
# 5. 生成采集统计信息
stats = {
"status": "success",
"shop_name": shop_info["shop_name"],
"shop_id": shop_info["shop_id"],
"total_products": len(all_products),
"collected_pages": current_page - 1,
"max_pages_limit": max_pages
}
print(f"\n采集完成！共获取{shop_info['shop_name']}的{len(all_products)}个商品")
return all_products, stats
3. 数据存储与结果导出：结构化保存商品数据
将采集到的商品数据存储为 JSON/CSV 格式，便于后续分析使用，同时加入数据去重逻辑（基于商品 ID）。
python
运行
import csv
from pathlib import Path
class ProductDataSaver:
"""商品数据存储器：支持JSON/CSV格式导出，去重处理"""
def __init__(self, save_dir="./taobao_shop_products"):
self.save_dir = Path(save_dir)
# 创建保存目录（不存在则创建）
self.save_dir.mkdir(exist_ok=True, parents=True)