20 % de descuento en todos los planes de pago con el código

Python · Amazon

Scraping de Amazon con Python

Hacer scraping de Amazon suele empezar con requests y BeautifulSoup y terminar con una página de verificación antirrobots en lugar de productos, selectores CSS que dejan de funcionar tras el siguiente cambio de diseño y una lista de proxies cada vez más larga. Esta guía toma un camino más corto: haces scraping de Amazon con Python pidiendo los datos a la API de everydata.io y los recibes como JSON limpio.

Vas a crear dos cosas. Primero, un script que extrae los resultados de búsqueda de Amazon para una palabra clave (título, ASIN, precio, valoración, número de reseñas y "bought in past month" de cada producto en varias páginas) y los guarda en un archivo CSV. Después, una función que obtiene la página de producto completa de cualquier ASIN: viñetas, detalles técnicos, categorías, disponibilidad y todas las imágenes.

Actualizado el · por everydata.io

Lo que tendrás al final

  • Un script de Python que extrae en products.csv los resultados de búsqueda de Amazon para cualquier palabra clave.
  • Una función que devuelve los datos completos de un producto a partir de su ASIN.
  • Una idea clara de cuánto cuesta una ejecución y de cómo gestionar los errores y los límites de velocidad.

Lo que necesitas

  • Python 3.10 o posterior y el paquete requests (pip install requests).
  • Una clave de API gratuita de everydata.io: créala aquí.
  • Una palabra clave que quieras investigar, por ejemplo laptop, y el marketplace de Amazon (com, de, co.uk …).

01¿Por qué hacer scraping de Amazon con una API en lugar del HTML?

Puedes hacerlo. Un simple requests.get sobre una página de búsqueda de Amazon funciona unas cuantas veces; luego Amazon puede responder con una página de captcha o un resultado vacío en lugar de productos. Los precios están en distintos elementos HTML según el tipo de producto, y cada rediseño rompe tus selectores. Mantener vivo un scraper significa mantener parsers, cabeceras y proxies.

Con la API, everydata.io carga por ti la página de Amazon en directo y devuelve los campos en JSON. Tu código solo trabaja con datos. Las respuestas con estado 5xx (no se pudo cargar la página) no se descuentan de tu cuota.

02Mantén tu clave de API fuera del código

Copia tu clave desde el panel y guárdala en una variable de entorno, para que nunca acabe en un archivo que compartas.

terminal
export EVERYDATA_API_KEY="ds_your_key"

04Extrae varias páginas a un archivo CSV

Ahora recorre las páginas en un bucle hasta lastPage o hasta tu propio límite, omite los anuncios y escribe cada producto en products.csv. api_get espera cuando envías demasiadas solicitudes a la vez (estado 429; la respuesta indica cuántos segundos) y reintenta una vez una página que no se pudo cargar (5xx).

scrape_amazon.py
"""Scrape Amazon search results for a keyword into products.csv – several pages, no sponsored ads."""
import csv
import os
import re
import time

import requests

API = "https://api.everydata.io"
KEY = os.environ["EVERYDATA_API_KEY"]
KEYWORD = "laptop"
DOMAIN = "com"      # amazon.com – "de", "co.uk", "fr", "it" … for other marketplaces
MAX_PAGES = 3       # every page is one request


def api_get(path: str, params: dict) -> dict:
    """GET an everydata.io endpoint. Waits when rate limited (429) and retries a failed page load (5xx) once."""
    retried = False
    for _ in range(4):
        resp = requests.get(f"{API}{path}", params=params, headers={"x-api-key": KEY}, timeout=60)
        if resp.status_code == 429:
            wait = re.search(r"in (\d+) seconds", resp.text)
            time.sleep(int(wait.group(1)) + 1 if wait else 60)
            continue
        if resp.status_code >= 500 and not retried:
            retried = True  # 5xx answers are not counted against your quota
            time.sleep(10)
            continue
        resp.raise_for_status()
        return resp.json()
    raise RuntimeError("still rate limited after several waits – try again later")


def main() -> None:
    rows = []
    page, last_page = 1, 1
    while page <= min(last_page, MAX_PAGES):
        data = api_get("/amz/amazon-search-by-keyword-asin", {
            "keyword": KEYWORD, "domainCode": DOMAIN, "page": page,
            "sortBy": "relevanceblender", "excludeSponsored": "true",
        })
        last_page = data.get("lastPage") or 1
        for item in data.get("searchProductDetails", []):
            rows.append({
                "page": page,
                "asin": item["asin"],
                "title": item["productDescription"],
                "price": item.get("price") or "",
                "currency": item.get("currency") or "",
                "rating": item.get("productRating") or "",
                "reviews": item.get("countReview") or 0,
                "bought_last_month": item.get("salesVolume") or "",
                "prime": item.get("prime"),
                "url": f"https://www.amazon.{DOMAIN}{item['dpUrl']}",
            })
        page += 1

    with open("products.csv", "w", newline="") as f:
        writer = csv.DictWriter(f, fieldnames=list(rows[0]) if rows else ["asin"])
        writer.writeheader()
        writer.writerows(rows)
    print(f"{len(rows)} products from {page - 1} pages saved to products.csv")


if __name__ == "__main__":
    main()

sortBy admite los mismos órdenes que el menú de ordenación de Amazon, por ejemplo relevanceblender (destacados), price-asc-rank, price-desc-rank, review-rank y date-desc-rank; /amz/sort-options los enumera todos. Para no salir de un departamento, pasa un alias de búsqueda en category (como electronics) o un id de browseNode.

price es un número en la moneda del marketplace, y salesVolume es la etiqueta "bought in past month" de la propia Amazon, que es null cuando Amazon no muestra ninguna. Conserva el ASIN: es la clave para todos los demás endpoints de Amazon.

05Scraping de los detalles de producto de Amazon por ASIN

La ficha de búsqueda es breve. Para las viñetas, los detalles técnicos, las categorías, la disponibilidad y todas las imágenes, consulta el producto por su ASIN. Añade esta función al script anterior y llámala para los productos que quieras conservar.

details.py
def product_details(asin: str) -> dict:
    p = api_get("/amz/amazon-lookup-product-by-asin", {"asin": asin, "domainCode": DOMAIN})
    return {
        "asin": p["asin"],
        "title": p["productTitle"],
        "brand_or_store": p.get("manufacturer"),
        "price": p.get("price") or None,      # 0 = no buyable price on the page right now
        "currency": p.get("currency"),
        "availability": p.get("warehouseAvailability"),
        "rating": p.get("productRating"),
        "reviews": p.get("countReview"),
        "bullets": p.get("features", []),
        "specs": {d["name"]: d["value"] for d in p.get("productDetails", [])},
        "categories": p.get("categories", []),
        "images": p.get("imageUrlList", []),
    }


# inside main(), after the search loop: details for the first ten search hits
for row in rows[:10]:
    print(product_details(row["asin"]))
Respuesta de ejemplo · GET /amz/amazon-lookup-product-by-asin
{
  "responseStatus": "PRODUCT_FOUND_RESPONSE",
  "responseMessage": "Product successfully found!",
  "productTitle": "Apple iPhone 11, 64GB, Black - Unlocked (Renewed)",
  "manufacturer": "Visit the Amazon Renewed Store",
  "countReview": 60024,
  "productRating": "4.2 out of 5 stars",
  "asin": "B07ZPKN6YR",
  "warehouseAvailability": "This item cannot be shipped to your selected delivery location. Please choose a different delivery location.",
  "retailPrice": 0,
  "price": 0,
  "productDetails": [
    {
      "name": "Operating System",
      "value": "iOS 16"
    },
    {
      "name": "RAM Memory Installed",
      "value": "4 GB"
    }
  ],
  "categories": [
    "Cell Phones & Accessories",
    "Cell Phones"
  ]
}

price es 0 en este ejemplo porque la página no mostraba ningún precio de compra: el artículo no se podía enviar a la dirección de entrega. Interpreta 0 como «sin precio por ahora», no como un producto gratuito.

06Reseñas de Amazon, costes y límites

Amazon solo muestra los listados completos de reseñas a usuarios con sesión iniciada, y everydata.io no inicia sesión. El endpoint de reseñas responde con responseStatus LOGIN_REQUIRED para las listas de reseñas; la consulta de producto devuelve la valoración, el número de reseñas y, en reviews, las reseñas destacadas que muestra la página del producto.

Cada página de búsqueda y cada consulta de producto es una solicitud. Extraer tres páginas de una palabra clave y los detalles de los diez primeros productos son 13 solicitudes, así que el plan gratuito de 100 solicitudes al mes alcanza para unas cuantas pruebas. Para ejecuciones diarias, consulta los precios; los errores del lado de Amazon nunca se cobran.

  • Marketplaces: com, de, co.uk, fr, it y los demás dominios que figuran en la documentación de la API; los precios llegan en la moneda de ese marketplace.
  • Una página de búsqueda contiene entre 20 y 26 productos en los ejemplos documentados, anuncios incluidos salvo que los excluyas.
  • Solo datos públicos: lo que cualquier visitante ve en la página de Amazon, sin cuenta de Amazon.

Endpoints utilizados en esta guía

GET/amz/amazon-search-by-keyword-asin

Search Products · API de Amazon

GET/amz/amazon-lookup-product-by-asin

Product Details by ASIN · API de Amazon

GET/amz/sort-options

Sort Options · API de Amazon

Todos los parámetros en la referencia de la API

Pruébalo con tus propios datos

El plan gratuito incluye 100 solicitudes al mes, utilizables en todas las plataformas: suficiente para seguir esta guía de principio a fin.