上週末，我為了用四種不同方法抓取 Amazon 的 Best Sellers 頁面，整整喝掉一壺咖啡。有兩種方法表現不錯，有一種差點把我的 IP 弄到被封，還有一種真的只要按一下就搞定。以下是我學到的全部內容。
Amazon 這個市集龐大得驚人——6 億筆商品列表、3.1 億以上活躍客戶帳號，再加上每小時更新一次的 Best Sellers Rank（BSR）系統。如果你在做 FBA 產品研究、競品定價分析，或只是想在對手前先看到趨勢，暢銷榜資料絕對是金礦。
但要把這些資料從 Amazon 抓出來，再匯入試算表？事情就開始有趣了。我實測了 requests + BeautifulSoup、Selenium、抓取 API，以及 Thunderbit（我們自己的無程式碼 AI 網頁爬蟲），看看哪一種真的能派上用場，又是哪一些會讓你盯著 CAPTCHA 頁面發呆。
什麼是 Amazon Best Sellers？為什麼你應該在意？
Amazon Best Sellers Rank（BSR）是 Amazon 的即時排行榜，依照各分類內的銷售量替商品排名。你可以把它想成每小時更新一次的人氣榜，依據近期與歷史銷售資料共同計算。Amazon 官方對它的說法如下：
「Amazon Best Sellers 的計算依據是 Amazon 銷售資料，並每小時更新，以反映 Amazon 上所有商品近期與歷史銷售表現。」— Amazon Seller Central
Best Sellers 頁面會顯示每個分類前 100 名商品，分成兩頁，每頁 50 筆。第 1 頁涵蓋第 1–50 名，第 2 頁涵蓋第 51–100 名。Amazon 也已確認，頁面瀏覽量與顧客評論不會影響 BSR——它完全是由銷售量驅動。
那誰會需要這些資料？做 FBA 選品的電商賣家、建立競爭情報的銷售團隊、追蹤定價趨勢的營運團隊，以及觀察分類成長的市場研究人員。以我的經驗來看，凡是在 Amazon 上賣東西、或是與 Amazon 競爭的人，最後都會需要這些資料放進試算表裡。
為什麼要用 Python 抓取 Amazon Best Sellers？
手動做產品研究非常耗時。根據一份 McKinsey 研究，員工每週有 9.3 小時都花在搜尋與蒐集資訊上。對電商團隊來說，這意味著一堆時間都耗在點 Amazon 頁面、複製商品名稱和價格、再貼到試算表裡，然後下週又重來一次。
以下這些情境，就是抓取 Best Sellers 很值得的原因：
| 使用情境 | 你能取得什麼 | 誰最受益 |
|---|---|---|
| FBA 產品研究 | 依 BSR 與評論數找出高需求、低競爭商品 | Amazon 賣家、Dropshipper |
| 競爭性定價 | 追蹤你所在分類熱門商品的價格變化 | 電商團隊、定價分析師 |
| 市場趨勢監控 | 發現正在上升的分類與季節性變化 | 產品經理、市場研究人員 |
| 名單開發 | 建立暢銷品牌與其產品線清單 | 業務團隊、B2B 開發 |
| 競品分析 | 將你的商品與分類龍頭做比較 | 品牌經理、策略團隊 |
投資報酬率是真實存在的：Salesforce 對 2,700 位商務從業者的調查顯示，AI 工具平均每週可為電商從業者省下 6.4 小時。而使用自動化價格追蹤的賣家，Buy Box 取得率達到 67%，對比人工追蹤的 42%，光是反應速度更快，就帶來 37% 的銷售成長。
用 Python 抓取 Amazon Best Sellers 的 4 種方法：快速比較
在進入逐步教學前，先給你一個我希望自己一開始就有的對照表。這張表能幫你根據需求選對方法：
| 比較項目 | requests + BS4 | Selenium | 抓取 API（例如 Scrape.do） | Thunderbit（無程式碼） |
|---|---|---|---|---|
| 安裝難度 | 中等 | 高（driver、瀏覽器） | 低（API key） | 很低（Chrome 擴充功能） |
| 支援延遲載入 | 否 | 是（模擬滾動） | 是（渲染後 HTML） | 是（AI 處理渲染） |
| 抗封鎖能力 | 低（容易被封 IP） | 中等（可被偵測） | 高（輪換代理） | 高（雲端 + 瀏覽器模式） |
| 維護成本 | 高（選擇器容易失效） | 高（driver 更新 + 選擇器） | 低 | 很低（AI 可適應版面變化） |
| 成本 | 免費 | 免費 | 付費（按請求計費） | 免費方案 + 付費方案 |
| 最適合 | 一次性抓取、學習用途 | JavaScript 較重、需登入頁面 | 大規模 / 生產環境 | 非工程師、快速研究、定期監控 |
如果你想學 Python 抓取的基本功，先從方法 1 或 2 開始。如果你要的是生產級穩定性，選方法 3。如果你想不寫程式、按一下就拿到結果，直接跳到方法 4。
開始前須知
- 難度： 初學者到中階（依方法而定）
- 所需時間： Thunderbit 約 15 分鐘，Python 方法約 45 分鐘
- 你需要準備： Python 3.8+（方法 1–3）、Chrome 瀏覽器、Thunderbit Chrome 擴充功能（方法 4），以及目標 Amazon Best Sellers 分類網址
方法 1：用 requests + BeautifulSoup 抓取 Amazon Best Sellers
這是輕量、適合初學者的方法——不需要瀏覽器自動化，只靠 HTTP 請求與 HTML 解析。不過它也讓我最深刻體會到 Amazon 的反爬防線有多硬。
步驟 1：建立環境
先安裝需要的套件：
pip install requests beautifulsoup4 pandas
接著匯入模組：
import requests
from bs4 import BeautifulSoup
import pandas as pd
import random
import time
步驟 2：用逼真的 Header 發送請求
Amazon 會擋掉看起來像機器人的請求。最基本的防護方式，就是用模擬真實瀏覽器的 User-Agent。以下是一些目前較真實的 User-Agent 範例（來源：Geekflare，2026 年 3 月）：
USER_AGENTS = [
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/147.0.0.0 Safari/537.36",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/147.0.0.0 Safari/537.36",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:149.0) Gecko/20100101 Firefox/149.0",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 15.7; rv:149.0) Gecko/20100101 Firefox/149.0",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 15_7_5) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/26.0 Safari/605.1.15",
]
headers = {"User-Agent": random.choice(USER_AGENTS)}
url = "https://www.amazon.com/Best-Sellers-Electronics/zgbs/electronics/"
response = requests.get(url, headers=headers)
print(response.status_code) # 理想情況下應該是 200
如果你看到 200 狀態碼，表示成功了。如果出現 503，或被轉到 CAPTCHA 頁面，代表 Amazon 已經把你的請求標記成可疑流量。
步驟 3：用 BeautifulSoup 解析商品資料
用瀏覽器的 DevTools 檢查 Amazon 頁面 HTML（右鍵 → Inspect）。商品容器使用的是 gridItemRoot 這個 ID。在每個容器內，你會找到商品名稱、價格、評分和網址。
soup = BeautifulSoup(response.text, "html.parser")
products = []
for item in soup.find_all("div", id="gridItemRoot"):
title_tag = item.find("div", class_="_cDEzb_p13n-sc-css-line-clamp-3_g3dy1")
price_tag = item.find("span", class_="_cDEzb_p13n-sc-price_3mJ9Z")
link_tag = item.find("a", class_="a-link-normal")
title = title_tag.get_text(strip=True) if title_tag else "N/A"
price = price_tag.get_text(strip=True) if price_tag else "N/A"
url = "https://www.amazon.com" + link_tag["href"] if link_tag else "N/A"
products.append({"Title": title, "Price": price, "URL": url})
注意：
_cDEzb_開頭的 class 名稱其實是 Amazon 會週期性重建的 CSS module hash。gridItemRoot這個 ID 和a-link-normal這個 class 相對穩定，但在執行爬蟲前，最好還是先用 DevTools 再確認一次選擇器。
步驟 4：匯出成 CSV
df = pd.DataFrame(products)
df.to_csv("amazon_best_sellers.csv", index=False)
print(f"Scraped {len(products)} products")
預期結果，以及常見問題
在我的測試中，這個方法只抓到約 30 筆商品，而不是 50 筆。這不是程式錯誤，而是 Amazon 的延遲載入機制。初始載入時只有大約 30 筆商品會先渲染，其他商品要在捲動後才出現，而這需要 JavaScript 執行，requests 做不到。
其他限制還包括：
- 沒有代理輪換時，IP 很快就會被封（我快速連打大約 15 次後就被擋了）
- Amazon 更新頁面版型時，CSS 選擇器很容易失效，而且這種更新很頻繁
- 沒有內建分頁處理
如果你是想學 Python 抓取，這方法很適合。若要用在正式環境，它就太脆弱了。
方法 2：用 Selenium 抓取 Amazon Best Sellers
Selenium 透過真實瀏覽器來解決延遲載入問題——安裝和設定比較重，但它可以抓到每頁完整 50 筆商品。
步驟 1：安裝 Selenium
pip install selenium pandas
好消息是：從 Selenium 4.6+ 開始，你不再需要 webdriver-manager。Selenium Manager 會自動處理 driver 下載。
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
import time
import pandas as pd
options = Options()
options.add_argument("--headless=new")
options.add_argument("--window-size=1920,1080")
options.add_argument("--disable-blink-features=AutomationControlled")
driver = webdriver.Chrome(options=options)
--headless=new 旗標（Chrome 109+ 才有）使用和一般有介面 Chrome 相同的渲染流程，因此更不容易被 Amazon 偵測。
步驟 2：捲動以載入延遲內容
這一步就是 Selenium 值回票價的地方。Amazon Best Sellers 一開始只會載入大約 30 筆商品，剩下的要捲動後才會出現。
def scroll_page(driver, scrolls=5, delay=2):
for _ in range(scrolls):
driver.find_element(By.TAG_NAME, "body").send_keys(Keys.PAGE_DOWN)
time.sleep(delay)
driver.get("https://www.amazon.com/Best-Sellers-Electronics/zgbs/electronics/")
time.sleep(3)
scroll_page(driver)
捲動之後，50 筆商品都應該會出現在 DOM 裡。我測試時發現，5 次 Page Down、每次間隔 2 秒就夠了，但你可能要根據網路速度微調。
步驟 3：擷取商品資料
items = driver.find_elements(By.ID, "gridItemRoot")
products = []
for item in items:
try:
title = item.find_element(By.CSS_SELECTOR, "div._cDEzb_p13n-sc-css-line-clamp-3_g3dy1").text
except:
title = "N/A"
try:
price = item.find_element(By.CSS_SELECTOR, "span._cDEzb_p13n-sc-price_3mJ9Z").text
except:
price = "N/A"
try:
url = item.find_element(By.CSS_SELECTOR, "a.a-link-normal").get_attribute("href")
except:
url = "N/A"
products.append({"Title": title, "Price": price, "URL": url})
每個欄位都用 try/except 包起來很重要——有些商品可能缺貨，或某些欄位不存在；你不會希望單一元素出錯就讓整個抓取流程當掉。
步驟 4：處理分頁
Amazon 會把 100 名暢銷商品分成兩頁，網址結構也不同：
urls = [
"https://www.amazon.com/Best-Sellers-Electronics/zgbs/electronics/",
"https://www.amazon.com/Best-Sellers-Electronics/zgbs/electronics/ref=zg_bs_pg_2_electronics?_encoding=UTF8&pg=2"
]
all_products = []
for url in urls:
driver.get(url)
time.sleep(3)
scroll_page(driver)
# ... 如上方方式擷取商品 ...
all_products.extend(products)
driver.quit()
預期結果
在我的測試中，Selenium 每頁都能抓到完整 50 筆商品——明顯比 requests + BS4 更好。缺點是：每頁大約要 45 秒（包含捲動等待時間），而且如果沒有代理輪換，跑太多次還是會被標記。即使加了反偵測參數，Selenium 仍然會被 Amazon 的 bot 偵測系統辨識；若要真正大規模使用，還得加更多保護措施（可參考下面的 Anti-Ban Playbook）。
其他痛點包括：
- WebDriver 版本不一致的問題偶爾還是會出現，不過 Selenium Manager 已經讓這種情況少很多
- Amazon 只要改 DOM，CSS 選擇器就得跟著更新
- 記憶體占用高——每個瀏覽器實例大約吃掉 200–400MB RAM
方法 3：用抓取 API 抓取 Amazon Best Sellers
抓取 API 就是「把麻煩事交給別人」的做法。像 Scrape.do、Oxylabs 和 ScrapingBee 這類服務，會幫你處理代理輪換、JavaScript 渲染與反機器人措施——你只要送出 URL，就能拿回 HTML 或 JSON。
這是怎麼運作的？
你把目標網址送到 API 端點。API 會在他們的基礎設施上用真實瀏覽器渲染頁面、輪換代理、處理 CAPTCHA，然後回傳乾淨的 HTML。之後你再像平常一樣用 BeautifulSoup 解析回傳內容即可。
步驟 1：透過 API 發送請求
以下以 Scrape.do 為例（起價為每月 29 美元，可用 150,000 credits，1 credit = 1 次請求，不論是否渲染）：
import requests
from bs4 import BeautifulSoup
api_token = "YOUR_API_TOKEN"
target_url = "https://www.amazon.com/Best-Sellers-Electronics/zgbs/electronics/"
api_url = f"https://api.scrape.do?token={api_token}&url={target_url}&render=true&geoCode=us"
response = requests.get(api_url)
soup = BeautifulSoup(response.text, "html.parser")
接下來的解析方式就和方法 1 一樣——相同的選擇器、相同的擷取邏輯。
價格現實面
以下是幾家主流 API 在最佳方案下，每 1,000 次 Amazon 請求的大致成本：
| 供應商 | 每 1,000 次請求成本 | 備註 |
|---|---|---|
| Scrape.do | 約 $0.19 | 固定費率，沒有額外 credit 倍數 |
| Oxylabs | 約 $1.80 | JavaScript 渲染需乘以 5 倍 |
| ScrapingBee | 約 $4.90 | 進階功能可能有 5–25 倍倍數 |
| Bright Data | $5.00 以上 | 資料最完整（每商品 686 個欄位），但速度最慢（約 66 秒/請求） |
優缺點
優點： 穩定度高（頂級供應商在 Amazon 上的成功率約 99%）、不需要維護 driver、會自動處理反機器人機制、擴展性好。
缺點： 按請求計費（規模一大成本會快速累積）、還是得自己寫解析程式、CSS 選擇器變動時一樣會受影響。若每月抓 100,000 頁，三年的總成本差異非常大：自建系統大約要 198 萬美元，而使用 API 供應商約 33.2 萬美元——節省 71%。
通常在每月 50 萬到 100 萬次請求之間會是損益平衡點。低於這個量，API 省下的時間通常遠超過成本。
方法 4：用 Thunderbit 抓取 Amazon Best Sellers（不需要 Python）
先說明一下：我在 Thunderbit 工作，所以你可以把這段內容放在這個背景下看。不過我確實把四種方法都連著實測了一輪，資料到手速度的差異真的非常明顯。
Thunderbit 是一款以 Chrome 擴充功能形式運作的 AI 網頁爬蟲。核心概念是：不用自己寫 CSS 選擇器或 Python 程式，AI 會直接讀頁面並判斷要擷取哪些資料。針對 Amazon Best Sellers，Thunderbit 還有現成模板，按一下就能用。
步驟 1：安裝 Thunderbit Chrome 擴充功能
前往 Chrome 線上應用程式商店，點擊「加到 Chrome」。註冊一個免費帳號——免費方案提供的 credits 已經足夠你先測試。
步驟 2：打開 Amazon Best Sellers 頁面
在 Chrome 中打開任一 Amazon Best Sellers 分類頁，例如：
https://www.amazon.com/Best-Sellers-Electronics/zgbs/electronics/
步驟 3：點擊「One Click Extract」
打開 Thunderbit 側邊欄，點擊「One Click Extract」。AI 會分析頁面結構，並找出欄位：商品名稱、價格、評分、圖片網址、賣家、商品網址與排名。在我的測試中，它大約 3 秒就正確辨識出所有相關欄位。
你可以重新命名、刪除或新增欄位。你甚至可以替每個欄位加入自訂 AI 提示詞——例如輸入「分類為 Electronics/Apparel/Home」，就能幫每個商品加上分類標籤。
步驟 4：點擊「Scrape」
按下「Scrape」按鈕。Thunderbit 會把頁面上的商品資料整理成結構化表格。在雲端模式下，它最多可同時平行處理 50 頁，自動處理延遲載入與分頁。
步驟 5：免費匯出
點擊「Export」，選擇輸出目的地：Excel、Google Sheets、Airtable 或 Notion。所有方案都可免費匯出，沒有隱藏費用。
從打開頁面到拿到完整試算表，我整個流程大約花了 90 秒。相比之下，方法 1 大約花 20 分鐘（包含排查延遲載入問題），方法 2 大約花 35 分鐘（包含 Selenium 設定），方法 3 大約花 15 分鐘（包含 API 帳號設定）。
為什麼 Thunderbit 特別適合 Amazon？
因為 AI 每次都會重新讀取頁面，所以它能自動適應版面變化——不用維護 CSS 選擇器。這直接解決了抓取論壇中最常見的抱怨之一：「一般網頁爬蟲不夠用，你得為元素變動加一堆例外處理。」當 Amazon 改 DOM 時（這很常發生），你完全不用改任何東西。
雲端抓取模式會透明處理代理輪換、渲染與反機器人措施。對想要「裝好就能用」的使用者來說，這等於把整個防封鎖的煩惱一次消掉。
跳過選擇器維護的麻煩 Amazon 一改標記，BeautifulSoup 的選擇器就會失效。Thunderbit 的 AI 會在每次執行時重新讀頁，重新判斷欄位。 Get Started Free
防封鎖作戰手冊：如何避免被 Amazon 擋下
Amazon 的 bot 偵測非常嚴格。我在測試期間就曾經讓自己的 IP 暫時被封，論壇使用者也有類似回報：「到處都報錯，Amazon 甚至開始把我導回首頁。」如果你打算走 Python 路線（方法 1–3），這一段很重要。
以下是分層策略，從基礎到進階依序排列：
1. 輪換 User-Agent 字串
一直送出同一個 User-Agent 是明顯紅旗。使用方法 1 範例中的 5+ 組字串，並在每次請求時隨機挑一個：
headers = {"User-Agent": random.choice(USER_AGENTS)}
2. 在請求之間加入隨機延遲
固定延遲很容易被辨識出規律。隨機延遲更安全：
time.sleep(random.uniform(2, 5))
我發現請求之間隔 2–5 秒，在小批次（少於 50 次請求）時還算安全。若要跑更大批量，建議拉到 3–7 秒。
3. 使用代理輪換
這是最關鍵的一步。Proxyway 的測試顯示，住宅代理在 Amazon 上平均成功率約 94%，而資料中心代理只有約 59%——差了 35 個百分點。Amazon 的偵測堆疊包含 TLS 指紋辨識、行為分析與 IP 速率限制，所以一般資料中心 IP 很快就會被標記。
住宅代理比較貴（依供應商不同，每 GB 約 2–12 美元），但穩定度高很多。程式範例如下：
proxies = {
"http": "http://user:pass@residential-proxy.example.com:8080",
"https": "http://user:pass@residential-proxy.example.com:8080"
}
response = requests.get(url, headers=headers, proxies=proxies)
4. 強化 Selenium 的瀏覽器指紋
options.add_argument('--disable-blink-features=AutomationControlled')
options.add_experimental_option("excludeSwitches", ["enable-automation"])
options.add_experimental_option('useAutomationExtension', False)
# driver 初始化後，移除 navigator.webdriver 標記
driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
'source': "Object.defineProperty(navigator, 'webdriver', {get: () => undefined})"
})
5. 管理 Session 與 Cookies
保留跨請求的 cookies，會讓爬蟲看起來更像真實使用者：
session = requests.Session()
# 先造訪首頁，取得較自然的 cookies
session.get("https://www.amazon.com", headers=headers)
time.sleep(2)
# 再抓目標頁面
response = session.get(target_url, headers=headers)
6. 什麼時候該直接跳過這些麻煩
如果你不想管理這些細節，Thunderbit 的雲端抓取會透明處理代理輪換、渲染與反機器人措施。抓取 API 也會自動處理大部分問題。以我的經驗來說，花在除錯防封鎖問題上的時間，往往比寫真正的爬蟲還多——所以「裝好就能用」的方案確實有投資報酬率。
子頁面加值：抓取商品詳情頁以取得更豐富資料
Best Sellers 列表頁只會顯示基本資訊——標題、價格、評分、排名。但如果你要做 FBA 研究，真正有價值的資訊其實都在單一商品詳情頁。以下是你只抓列表頁時會缺少的內容：
| 欄位 | 列表頁 | 商品詳情頁 |
|---|---|---|
| 商品名稱 | ✅ | ✅ |
| 價格 | ✅ | ✅ |
| 評分 | ✅ | ✅ |
| BSR 排名 | ✅ | ✅（含子分類排名） |
| 品牌 | ❌ | ✅ |
| ASIN | ❌ | ✅ |
| 首次上架日期 | ❌ | ✅ |
| 尺寸 / 重量 | ❌ | ✅ |
| 賣家數量 | ❌ | ✅ |
| 重點特色 | ❌ | ✅ |
| Buy Box 持有者 | ❌ | ✅ |
其中「首次上架日期」特別有價值——它能告訴你商品已在市場上多久，這是做競爭分析的重要訊號。了解賣家數量與 Buy Box 持有者，也有助於判斷某個利基市場是否值得切入（如果 Amazon 自己占了超過 30% 的 Buy Box 份額，競爭難度通常非常高）。
Python 作法：逐一迴圈抓取商品網址
把列表頁蒐集到的商品網址拿來，搭配延遲逐一抓取：
for product in products:
time.sleep(random.uniform(3, 6))
detail_response = session.get(product["URL"], headers={"User-Agent": random.choice(USER_AGENTS)})
detail_soup = BeautifulSoup(detail_response.text, "html.parser")
# 擷取品牌
brand_tag = detail_soup.find("a", id="bylineInfo")
product["Brand"] = brand_tag.get_text(strip=True) if brand_tag else "N/A"
# 從頁面原始碼或 URL 擷取 ASIN
# 從商品資訊表格擷取首次上架日期
# ... 其他欄位 ...
提醒一下：連續打 100 個商品詳情頁，會大幅提高被封的風險。請務必預留代理輪換與更長延遲的空間。
Thunderbit 作法：一鍵抓取子頁面
當你把列表頁抓成表格後，在 Thunderbit 裡點選「Scrape Subpages」。AI 會自動拜訪每個商品網址，並幫表格補上額外欄位——品牌、ASIN、規格、功能等。完全不需要額外程式、選擇器或設定。對電商團隊來說，這特別適合需要完整資訊來做採購判斷，但又不想自己寫和維護詳情頁解析器的情境。
自動化重複抓取：持續追蹤 Best Sellers 變化
一次性抓取很有用，但真正的競爭優勢往往來自持續監控。追蹤商品排名升降、提早發現趨勢、觀察數週或數月的價格變化——這些才是把研究變成數據驅動決策的關鍵。
Python 作法：用 Cron 排程
在 Linux/Mac 上，你可以用 cron 來排程 Python 腳本。以下是每天早上 8 點抓取的 crontab 範例：
0 8 * * * /usr/bin/python3 /home/user/amazon_scraper.py >> /home/user/logs/scrape.log 2>&1
每週一早上 9 點執行一次則是：
0 9 * * 1 /usr/bin/python3 /home/user/amazon_scraper.py >> /home/user/logs/scrape.log 2>&1
在 Windows 上，可以用 Task Scheduler 達成相同效果。如果你想要長期自動執行，但不想讓筆電一直開著，可以部署到 VPS 或 AWS Lambda——只是這會增加基礎設施的複雜度。
記得加入 log 與錯誤通知，避免失敗卻沒人發現。最糟的情況，就是兩週後才發現爬蟲早就默默壞掉了。
Thunderbit 作法：用自然語言設定排程爬蟲
Thunderbit 的 Scheduled Scraper 可以讓你直接用自然語言描述間隔——輸入「每週一早上 9 點」或「每天早上 8 點」，AI 就會理解排程。抓取任務會在 Thunderbit 的雲端伺服器上執行（不需要你的瀏覽器或電腦保持開啟），而資料也能自動匯出到 Google Sheets 或 Airtable。這樣就能建立即時監控儀表板，完全不用管理伺服器——非常適合想要持續掌握狀況、但不想背負 DevOps 成本的營運團隊。
抓取 Amazon 時的法律與道德考量
我不是律師，這也不是法律建議。不過，如果在抓取教學裡完全不提法律面，那就太不負責任了——論壇使用者也確實會明確提出 ToS 相關疑慮，而且這很合理。
Amazon 的 robots.txt： 截至 2026 年，Amazon 的 robots.txt 裡有 80+ 個特定 Disallow 路徑，但 /gp/bestsellers/ 並沒有明確對一般使用者代理封鎖。不過，35+ 個 AI 專用 user agent（如 ClaudeBot、GPTBot、Scrapy 等）則會被直接套用 Disallow: /。沒有明確禁止，不代表 Amazon 就鼓勵抓取。
Amazon 的服務條款： Amazon 的 Conditions of Use（2025 年 5 月更新）明確禁止在未經書面許可下，「使用任何自動化程序或技術來存取、取得、複製或監控 Amazon 網站的任何部分」。這不是理論問題——Amazon 在 2025 年 11 月就因未經授權的自動化存取對 Perplexity AI 提起訴訟，並拿到初步禁制令。
hiQ v. LinkedIn 的先例： 在 hiQ Labs v. LinkedIn（第九巡迴法院，2022 年）中，法院認定抓取公開可取得的資料，可能不違反《Computer Fraud and Abuse Act》。但 hiQ 最終還是和解，並同意停止抓取——就算在 CFAA 上勝訴，也不代表能避開違反合約的主張。
實務建議：
- 只抓公開資料（價格、BSR、商品標題——不要碰個資）
- 尊重速率限制，不要對伺服器造成過大負擔
- 資料用途應限於正當的競爭情報分析
- 大規模抓取前，先諮詢你自己的法律顧問
- 注意現在已有 20+ 個美國州 制定了完整的隱私法規
Thunderbit 的雲端抓取使用的是標準、類瀏覽器的請求模式，但你仍應與自己的法律顧問確認是否合規。
這個案例不需要 Python 如果你的目標是試算表，而不是資料管線，只要按一下就能完成。可直接匯出到 Excel、Google Sheets、Airtable 或 Notion。 Get Started Free
你該選哪一種方法？快速決策指南
簡單版結論：
- 「我正在學 Python，想做一個週末專案。」 → 方法 1（requests + BeautifulSoup）。你會學到很多關於 HTTP 請求、HTML 解析，以及 Amazon 反機器人防線的知識。
- 「我需要抓 JavaScript 很重的頁面，或登入後的 session。」 → 方法 2（Selenium）。雖然比較重，但能處理動態內容。
- 「我正在大規模跑正式抓取任務。」 → 方法 3（抓取 API）。讓別人替你管理代理與渲染。當每月少於 50 萬次請求時，總持有成本通常更偏向 API。
- 「我不是工程師，我想在 2 分鐘內拿到資料。」 → 方法 4（Thunderbit）。不用寫程式、不用選擇器、也不用維護。
- 「我需要持續監控，但不想管理伺服器。」 → Thunderbit Scheduled Scraper。設定一次，就能長期運作。
試試 Thunderbit 抓 Amazon Best Sellers Get Started Free
結論與重點整理
經過一整個週末的測試，最後真正留下來的結論是：
requests + BeautifulSoup 很適合學習，但延遲載入限制（只抓到 50 筆中的約 30 筆）以及脆弱的 CSS 選擇器，讓它不太適合正式使用。
Selenium 解決了延遲載入問題，也能抓到每頁完整 50 筆商品，但速度慢、吃記憶體，而且仍然可能被 Amazon 的 bot 防護偵測到。
抓取 API 在生產規模上提供了最好的穩定性——Amazon 上成功率可達 約 99%——但成本會累積，而且你還是得自己寫解析程式。
Thunderbit 在資料取得速度上大幅領先。AI 會處理版面變化、延遲載入、分頁與反機器人措施，而且不需要任何設定。對非技術使用者，或是需要持續資料但不想負擔 DevOps 的團隊來說，它是最實際的選擇。
最重要的教訓是：Amazon 的反機器人防護和頻繁版面變動，意味著「免維護」方案在長期最省時間。你每花一小時除錯壞掉的選擇器、調整代理，就是少一小時能拿來真正分析資料。
想試試無程式碼做法嗎？Thunderbit 免費方案 提供足夠的 credits，讓你抓幾個 Best Sellers 分類，親自看看效果。偏好 Python 路線？上面的程式碼範例應該足夠讓你開始。不管選哪一種，你最後都會在試算表裡看到 Amazon Best Seller 資料，而不是一直盯著瀏覽器分頁發呆。
如果你想了解更多網頁抓取方式，可以參考我們的教學：抓取 Amazon 商品與評論、將網站資料擷取到 Excel、以及最佳 AI 網頁爬蟲。你也可以到 Thunderbit YouTube 頻道 觀看逐步示範。
延伸閱讀
