Open Claw 实战｜快速搭建电商商品监控与数据分析能力

前言

做电商运营、市场调研或者竞品分析的时候，相信很多人都遇到这样的痛点：想要盯一批竞品商品，手动复制粘贴价格、库存、规格信息到 Excel，耗时又容易出错；大促期间价格频繁变动，等到人工发现调价，机会早就错过了；想要统计一批商品的价格区间、规格分布，手动统计效率极低。

自己写原生页面解析，会碰到层出不穷的反访问限制、页面结构改版、图片路径解析、规格多维度拆解等一堆麻烦问题。页面结构一改，之前写好的解析逻辑就要全部重写，维护成本很高。

最近在使用 Open Claw 这套工具，它封装好了商品信息解析能力，我们只需要传入商品编号，就可以直接拿到结构化的商品信息，把精力全部放在监控逻辑、数据存储、业务分析上，不用耗费大量时间处理页面解析细节。

本文会完整演示：单商品信息获取、定时监控价格库存变动、数据落地存储、简单数据分析，代码可以直接拿来二次改造，适合部署在本地或者服务器做轻量级业务监控。

提示：本教程仅用于学习研究，请遵守对应平台规则，不要高频大规模访问，避免对平台造成压力。

环境准备

运行代码依赖 requests 库，如果还没有安装，执行：

pip install requests pandas

一、获取商品结构化信息

我们只需要准备好自己的凭证密钥，传入商品编号，工具会返回整理完毕的数据：标题、售价、原价、库存、规格 SKU、店铺信息、图片地址、发货地等全部字段，不需要自己做 HTML 解析。

示例代码：

# -*- coding:utf-8 -*-
import requests
import json

class GoodsHelper:
    def __init__(self, access_key, access_secret):
        self.access_key = access_key
        self.access_secret = access_secret
        self.base_url = "https://api-gw.onebound.cn/jd/item_get_pro"

    def get_goods_detail(self, goods_id):
        """获取商品完整结构化信息"""
        params = {
            "key": self.access_key,
            "secret": self.access_secret,
            "num_iid": goods_id,
            "cache": "no",
            "result_type": "json"
        }
        try:
            resp = requests.get(self.base_url, params=params, timeout=20)
            result = resp.json()
            item_data = result.get("item", {})
            return item_data
        except Exception as e:
            print(f"获取商品异常：{str(e)}")
            return None


if __name__ == "__main__":
    # 替换成自己的凭证
    KEY = "你的key"
    SECRET = "你的secret"
    helper = GoodsHelper(KEY, SECRET)
    goods_info = helper.get_goods_detail("10335871600")
    if goods_info:
        print("商品标题：", goods_info.get("title"))
        print("当前售价：", goods_info.get("price"))
        print("原始标价：", goods_info.get("orginal_price"))
        print("库存：", goods_info.get("num"))
        print("店铺名称：", goods_info.get("seller_info", {}).get("shop_name"))
        print("商品链接：", goods_info.get("detail_url"))
        # 获取多规格信息
        sku_list = goods_info.get("skus", {}).get("sku", [])
        for sku in sku_list:
            print(f"规格:{sku.get('properties_name')} | 价格:{sku.get('price')} | sku库存:{sku.get('quantity')}")

运行之后直接输出结构化结果。我们拿到的数据包含：主图集合、多规格 SKU、品牌、发货地、店铺信息等，省去大量解析工作。

二、实现定时监控，捕捉价格、库存变动

最核心的场景：持续监控目标商品，对比上一轮采集结果，价格下调、库存骤变的时候输出告警提示。可以扩展：告警推送钉钉 / 企业微信、写入本地文件或者数据库持久化。

# -*- coding:utf-8 -*-
import requests
import time
import datetime
import pandas as pd

class GoodsHelper:
    def __init__(self, access_key, access_secret):
        self.access_key = access_key
        self.access_secret = access_secret
        self.base_url = "https://api-gw.onebound.cn/jd/item_get_pro"

    def get_goods_detail(self, goods_id):
        params = {
            "key": self.access_key,
            "secret": self.access_secret,
            "num_iid": goods_id,
            "cache": "no",
            "result_type": "json"
        }
        try:
            resp = requests.get(self.base_url, params=params, timeout=20)
            result = resp.json()
            return result.get("item", {})
        except Exception as e:
            print(f"请求出错:{e}")
            return None


class GoodsMonitor:
    def __init__(self, helper):
        self.helper = helper
        self.history = dict()  # 保存上一次采集的数据 {goods_id:data}

    def monitor_loop(self, goods_id_list, interval=300):
        """
        循环监控
        :param goods_id_list: 需要监控的商品id数组
        :param interval: 轮询间隔，单位秒，示例300=5分钟，不要设置过小
        """
        print(f"启动监控任务，监控商品列表：{goods_id_list}，轮询间隔 {interval}s")
        while True:
            now = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
            for gid in goods_id_list:
                data = self.helper.get_goods_detail(gid)
                if not data:
                    continue
                title = data.get("title")
                price = float(data.get("price", 0))
                stock = int(data.get("num", 0))
                print(f"\n[{now}] 商品:{title[:40]} 价格:{price} 库存:{stock}")

                # 判断是否历史存在
                if gid not in self.history:
                    self.history[gid] = {"price": price, "stock": stock}
                    continue

                old = self.history[gid]
                # 价格变动告警
                if price != old["price"]:
                    print(f"【价格变动告警】{title} 旧价:{old['price']} → 新价:{price}")
                # 库存大幅变动告警
                if abs(stock - old["stock"]) > 20:
                    print(f"【库存异动告警】{title} 旧库存:{old['stock']} → 新库存:{stock}")

                # 更新历史记录
                self.history[gid]["price"] = price
                self.history[gid]["stock"] = stock
            time.sleep(interval)


if __name__ == "__main__":
    KEY = "你的key"
    SECRET = "你的secret"
    helper = GoodsHelper(KEY, SECRET)
    monitor = GoodsMonitor(helper)
    # 设置需要监控的商品编号列表
    watch_list = ["10335871600"]
    # 启动监控，间隔5分钟
    monitor.monitor_loop(watch_list, interval=300)

⚠️注意：轮询间隔不要设置过小，建议最少 3‑5 分钟以上，避免频繁请求。

三、数据落地：保存历史记录到 CSV 做数据分析

采集到的数据不能只打印控制台，我们把每次采集结果写入 csv 文件，后续可以用 pandas 做统计分析，分析价格波动、价格分布区间。

def save_record_to_csv(goods_id, goods_data, csv_path="goods_record.csv"):
    """保存单条采集记录"""
    record = {
        "crawl_time": datetime.datetime.now().strftime("%Y‑%m‑%d %H:%M:%S"),
        "goods_id": goods_id,
        "title": goods_data.get("title"),
        "price": goods_data.get("price"),
        "orginal_price": goods_data.get("orginal_price"),
        "stock": goods_data.get("num"),
        "shop_name": goods_data.get("seller_info", {}).get("shop_name"),
        "location": goods_data.get("location")
    }
    df_new = pd.DataFrame([record])
    try:
        df_old = pd.read_csv(csv_path)
        df_all = pd.concat([df_old, df_new], ignore_index=True)
    except FileNotFoundError:
        df_all = df_new
    df_all.to_csv(csv_path, index=False, encoding="utf‑8‑sig")


# 简单数据分析示例
def analysis_data(file_path="goods_record.csv"):
    df = pd.read_csv(file_path)
    print("====基础统计分析====")
    print(f"总采集记录条数：{len(df)}")
    print(f"价格均值：{df['price'].mean():.2f}")
    print(f"价格最高：{df['price'].max()}")
    print(f"价格最低：{df['price'].min()}")
    print("\n各商品平均价格：")
    print(df.groupby("goods_id")["price"].mean())


if __name__ == "__main__":
    # 测试写入与分析
    KEY = "你的key"
    SECRET = "你的secret"
    helper = GoodsHelper(KEY, SECRET)
    info = helper.get_goods_detail("10335871600")
    save_record_to_csv("10335871600", info)
    analysis_data()

运行完成之后，本地生成goods_record.csv，里面留存每一次采集快照，后续可以用 Excel 或者 Python 做：价格趋势、大促前后价格对比、竞品价格区间统计等分析工作。

四、业务拓展思路

拿到这套基础能力之后，可以衍生很多实用功能：

批量竞品监控：维护一份商品 id 清单，循环批量采集竞品，输出竞品周报；
消息告警推送：价格 / 库存变动时调用钉钉、企业微信机器人接口，把告警消息推送到工作群；
多规格 SKU 分析：解析返回的 SKU 数组，统计不同规格的定价差异，分析对手的规格定价策略；
持久化存储：把 CSV 替换成 MySQL、SQLite 数据库，支持长期海量历史数据存储；
简单可视化：借助 matplotlib 绘制价格波动曲线，直观看到一段时间价格走势。

踩坑总结与注意事项

不要设置过于频繁的轮询间隔，高频采集不仅会触发限制，也没有实际业务意义；
返回的价格为商品展示价格，部分场景下多规格商品每个细分规格真实标价需要读取 sku 列表字段；
部分店铺不会返回完整店铺信息，这属于平台返回限制，代码做好空值判断；
工具自带缓存开关 cache 参数，如果需要实时最新数据设置cache:"no"；调试的时候可以打开缓存加快响应速度。

总结

Open Claw 最大价值就是帮我们屏蔽了复杂页面解析，不用去处理页面改版、反访问、图片路径、规格拆解等脏活累活。开发者把重心放在监控业务逻辑、数据存储、业务分析，几十行代码就搭建一套可用的商品监控体系。

万邦api博客

Nice to meet you, too!

api 数据挖掘