Comment scraper les ASIN sur Amazon.fr avec Python 3 et Requests

Arrêtez de copier le net. Scrapez le.

 

Comment scraper les ASIN sur Amazon.fr avec Python 3 et Requests

Afin d’identifier ses produits, Amazon utilise un ASIN, ou, le bien nommé, Amazon Standard Identification Number. Pour publier un produit, un vendeur a besoin de ce numéro, qui une fois mis sur la base de donnée, permet de publier facilement et rapidement un produit disponible en stock. Aujourd’hui, nous allons voir comment collecter tous les ASINs d’une page donnée, grâce à Python et Requests.

Nous allons pour l’occasion nous intéresser à la page des (feu) DVDs Blu-Ray,  qui ont longtemps été les rois, avant que le streaming ne débarque.. Nous allons récupérer les données de cette liste (ASIN, et noms de DVDs), avant d’enregistrer le tout dans un fichier CSV.

Quelle donnée allons nous extraire ?

Rendons-nous d’abord sur la page avec l’ensemble des DVDs Blu-Ray à extraire. L’url est long est curieusement construit, mais pas de panique : https://www.amazon.fr/s/ref=sr_pg_1?fst=as%3Aoff&rh=n%3A405322%2Cp_n_feature_sixteen_brows%22%20\%20%22e-bin%3A5704718031%2Cp_76%3A183940031&bbn=405322&ie=UTF8&qid=1531321291. Voici les champs que nous allons extraire :

  1. Nom du DVD
  2. ASIN

Et maintenant, un screenshot afin de visualiser la présence de chaque élément dans le site web :

Quant à l’ASIN, il n’est pas présent visuellement, mais il est présent dans le code source, que nous explorerons ensuite.

Trouvez la donnée

Avant de commencer à construire le scraper, nous devons trouver où les données sont présentes dans les balises HTML de la page Web. Il faut connaître le fonctionnement des balises HTML de la page pour pouvoir faire ça.

Nous allons supposer que vous avez déjà des bases en HTML et que vous connaissez le langage Python. Vous n’avez pas besoin de plus de connaissances pour réaliser ce tutoriel.

Si vous ne connaissez ni le HTML, ni le CSS, ni le XPATH, ni le Python, prenez le temps de lire Premiers pas avec HTML – Mozilla Developer Network, Tutoriel CSS W3 School, XPath Tutorial – W3Schools,  et https://www.programiz.com/python-programming

Nous allons inspecter le code HTML de la page Web et localiser les données, en suivant la logique suivante :

  1. Inspecter l’élément
  2. Trouver la balise correspondante

 Inspecter l’HTML

Ouvrez votre navigateur Chrome, et rendez-vous sur la page de DVD Blu-Ray d’Amazon, à l’adresse évoquée plus haut. Vous pouvez le faire avec d’autres navigateurs, mais ce tutoriel se fait sur Chrome, et facilitera votre apprentissage.

Faites, un clique droit, puis cliquer sur Inspecter.

Nous allons maintenant chercher le tag XPATH de chaque élément, avant de lancer notre scraper. Pour faciliter la recherche, cliquer sur le curseur en bas à gauche. Passez ensuite votre souris sur les éléments que nous avons cités en introduction.

On remarque d’abord que chaque élément est présent au sein d’un bloc HTML < li > qui a pour id, « result_* », plus un nombre auquel on s’intéressera peu. Par ailleurs, l’ASIN est stocké au sein de l’attribut @data-asin.

Le nom, lui, est situé au sein de l’attribut @title, de l’élément HTML < a > :

Voilà le XPATH, pour chaque bloc < li > :

  • li : « //li[contains(@id, ‘result_’)] »

Et au sein de chaque bloc < li > :

  • Nom : « //a/@title »
  • ASIN : « //li/@data-asin »

Comment configurer son ordinateur pour le Web Scraping

Nous allons utiliser Python 3 pour ce tutoriel. Pour commencer, vous avez besoin d’un ordinateur avec Python 3 et PIP installé dedans.

La plupart des systèmes d’exploitation UNIX comme Linux et Mac OS sont livrés avec Python déjà installé. Mais, tous les systèmes d’exploitation Linux ne sont pas livrés avec Python 3 par défaut.

Vérifions votre version de python. Ouvrez un terminal (sous Linux et Mac OS) ou Invite de commandes (sous Windows) et tapez

Si vous n’avez pas Python 3, il va falloir l’installer.

Installer Python et Request

Pour installer Python et PIP, vous pouvez vous rendre sur le post que nous avons déjà fait à ce sujet : https://lobstr.io/index.php/2018/02/15/installer-librairies-python-mac-os/

Pour installer Requests, et les autres librairies utilisées dans le code, il suffit d’ouvrir votre commande, et de

Pour plus de renseignements sur Requests et ses fonctionnalités avec Python, leur documentation est fournie et très utile : http://docs.python-requests.org/en/master/

Le code

Pour exécuter le script, ouvrez votre éditeur Sublime Text 3, copier-coller le code ci contre, et enregistrez le sous le nom de amazon_extract.py. Si vous ne savez pas comment l’installer, rendez-vous ici : https://lobstr.io/index.php/2018/02/08/comment-pourquoi-installer-sublim-text/

Dans votre commande, placez ensuite la ligne suivante :

Vous pourrez ensuite observer directement depuis votre console, le résultat suivant :

Moins de 2 secondes pour se connecter à Amazon, et en collecter toutes les données. C’est d’une grande rapidité…!

Vous devriez retrouver dans le même dossier que le dossier où se trouve le script, un fichier .csv, nommé asin.csv. Une fois ouvert, et formaté sur excel, vous obtiendrez un fichier .xls comme suit :

Vous pouvez également télécharger le code sur notre Github, à l’adresse suivante : https://gist.github.com/Lobstrio/80fccf1948f1fb25098e3eab889e6278. N’hésitez pas à nous indiquer dans les commentaires, ou sur le github, si le script fonctionne bien chez vous aussi.

Limitations connues

Le script permet de collecter les données, et de les enregistrez au format .csv. Toutefois, vous ne pourrez récolter que les données de la page indiquée, tandis que d’autres données (prix, prime, production, année…) ne seront pas récoltées. Par ailleurs, à grande échelle, Amazon vous posera des problèmes lors de la collecte (IP, Cookies, accès au serveur).

Si vous avez besoin d’aide pour scraper des milliers de données de façon récurrente et à grande échelle, vous pouvez nous contacter via le formulaire ci-dessous :

Avertissement: Tout code fourni dans nos tutoriels est destiné à des fins d’illustration et d’apprentissage uniquement. Nous ne sommes pas responsables de la façon dont il est utilisé et n’assumons aucune responsabilité pour toute utilisation préjudiciable du code source. La simple présence de ce code sur notre site n’implique pas que nous encourageons le scraping ou l’extraction de données des sites référencés dans le code et le tutoriel qui l’accompagne. Les tutoriels ne font qu’illustrer la technique de programmation des scrapers web pour les sites internet populaires. Nous ne sommes pas obligés de fournir un support pour le code, cependant, si vous ajoutez vos questions dans la section des commentaires, nous pouvons vous y répondre périodiquement.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *