一、火车采集器采集亚马逊的基本原理

火车采集器（Locoy Spider）是一款基于 .NET 框架的多线程网络数据采集软件，支持通过正则表达式、XPath、CSS 选择器等方式从网页中提取结构化数据。对于亚马逊这样的电商平台，主要采集公开可见的商品信息（如标题、价格、销量、评价、图片等）。

核心概念：

• 采集规则：告诉采集器要采集哪个网站的哪些信息，可导出为 .ljobx 文件

• 发布模块：将采集到的数据发布到目的地（网站或数据库），后缀名为 .wpm（Web发布）或 .dbm（数据库发布）

• 采集任务：采集规则 + 发布模块的完整组合

---

二、亚马逊采集的特殊难点

亚马逊的反爬虫机制是业内最严格的之一，采集时需要注意：

表格

难点	说明	解决方案
动态反爬	AI监测鼠标轨迹和请求特征	使用内置浏览器模拟真实用户行为
AJAX加载	价格、评价等数据异步加载	启用内置浏览器渲染，或分析异步接口
IP封禁	频繁请求会触发风控	配置代理IP池、增大随机延时、伪装User-Agent
页面结构复杂	商品详情和价格可能不在同一页面	使用多页采集功能
登录限制	部分数据需登录可见	导入Cookie或内置浏览器登录

---

三、实操步骤：采集亚马逊商品信息

Step 1：新建采集任务

1. 打开火车采集器 → 点击「新建分组」命名（如"Amazon采集"）

2. 选中分组 → 点击「新建任务」→ 填写任务名称（如"Amazon手机商品采集"）

3. 添加起始网址：亚马逊搜索结果页或类目列表页 URL

示例起始网址：

plain

https://www.amazon.com/s?k=smartphone

Step 2：配置列表网址规则（第一步：采网址）

在"第一步：采网址"中配置：

• 常规模式：直接填入列表页 URL

• 多页模式：使用 [page] 占位符，如：

  plain

  https://www.amazon.com/s?k=smartphone&page=[page]

  设置起始页和结束页

• 高级模式：如需获取子页面链接，设置链接过滤规则（如必须包含 /dp/）

关键操作：

• 点击"高级模式" → 在"链接过滤"中设置"必须包含"规则（如 /dp/ 或 /gp/product/）

• 使用内置浏览器打开页面，查看源码，找到商品链接的共同特征

Step 3：配置内容采集规则（第二步：采内容）

切换到"第二步：采内容"，添加标签提取字段：

表格

字段	提取方法	注意事项
商品标题	前后截取/XPath/CSS选择器	亚马逊标题通常在 <span id="productTitle"> 中
价格	正则/前后截取	价格可能异步加载，需用内置浏览器
商品图片	图片URL提取	勾选"下载图片"，设置保存路径
销量/评价	正则提取数字	注意格式如"1,234 ratings"
商品描述	前后截取	可能在不同区块

操作技巧：

1. 点击「添加标签」创建字段

2. 点击「从浏览器获取」或「从源码获取」

3. 在内置浏览器中打开商品详情页，点选目标数据，软件自动生成规则

4. 手动微调：切换到"源码模式"用正则优化

价格提取正则示例：

regex

<span class="a-price-whole">([0-9,]+)</span>

图片下载设置： 在标签的"数据处理"中勾选「下载文件/图片」，设置保存路径。对于不带HTML标签的缩略图，需勾选"探测文件并下载"。

Step 4：应对AJAX动态加载

亚马逊的价格、库存等信息常通过AJAX加载，处理方法：

1. 启用内置浏览器：让页面完整渲染后再提取数据

2. 设置等待时间：在采集规则中设置"执行前等待"3-5秒，"Ajax超时"15秒

3. 分析异步接口：打开浏览器开发者工具 Network 面板，找到返回JSON数据的接口，直接用接口地址作为采集目标

Step 5：设置反爬优化

在任务设置中配置：

• 请求间隔：设置随机延时（建议3-10秒）

• User-Agent：伪装成主流浏览器

• Referer：设置合理的来源页面

• 代理IP：配置代理IP池轮换

• Cookie：如需登录，导入有效的Cookie

Step 6：发布内容设置

采集的数据可以：

1. 导出文件：CSV、Excel、Text、HTML 格式

2. 数据库发布：直接写入 MySQL/SQL Server/Access/Oracle

3. Web发布：通过发布模块（.wpm）发布到网站

---

四、常见问题与解决方案

Q1：采集不到价格数据？

A：亚马逊价格常通过AJAX加载，启用内置浏览器模式，设置足够的等待时间让页面渲染完成。

Q2：IP被封怎么办？

A：配置代理IP池，增大请求间隔随机延时，伪装User-Agent和Referer头，让请求特征接近真实用户。

Q3：多页采集如何设置？

A：使用[page]变量或自动翻页功能。对于POST请求的翻页（地址栏URL不变），需用抓包工具（如Fiddler）分析请求参数，用"分页"变量替换。

Q4：能采集评论吗？

A：可以，但亚马逊评论通常需要滚动加载或点击"See all reviews"，建议使用内置浏览器模拟点击和滚动操作。