做电商，选品是绕不开的基本功。很多中小卖家每天要花大量时间手动刷榜单、翻商品列表、比对价格和销量，效率低不说，还容易因为盯盘不及时错过新品红利。人工整理的数据很难持续积累，过几天再看，价格变了、销量涨了，之前的笔记对不上，很难形成有效的长期监控。

下面分享一套自己实际在用的轻量级自动化方案，无需复杂的页面逆向解析，也不用操心反爬虫限制。通过简单的 Python 脚本定时拉取商品数据，自动完成去重、筛选、存储，每天生成一份选品报表。代码可在本地跑起来，稍作修改就能适配不同的数据源和监控需求。

环境准备

本地需要 Python 3.8 及以上版本。安装以下依赖：

# 系统演示、API测试控制台：http://console.open.onebound.cn/console/?i=NewRookie
pip install requests pandas openpyxl schedule

一、人工选品的常见问题

• 效率瓶颈：手动翻页记录标题、价格、销量、评价数，一个类目整理下来动辄两三个小时，多个类目并行监控几乎不现实。

• 数据断层：今天看到的价格和明天不一样，无法自动留存历史数据，判断商品是短期冲量还是长期稳定款全靠印象。

• 标准难统一：面对海量商品，凭肉眼过滤掉转化低、竞争大、售后多的产品，主观性太强，容易看走眼。

• 新品滞后：平台上新、同行调价、活动降价等信息无法实时感知，等人工发现时往往已过了最佳切入时机。

用程序替代重复劳动，核心要解决的就是这几个点：批量获取结构化数据、定时执行、按规则筛选、历史可比对。

---

二、整体实现思路

整个流程拆成三层，各司其职：

1. 数据获取层：通过调用第三方数据接口（或者官方开放 API）获取商品信息。传入关键词或类目 ID，返回结构化的商品列表，包含标题、价格、销量、评价数、店铺信息、发货地等字段。这样就不用自己写页面解析和反爬对抗，稳定性和可维护性都高得多。

2. 数据处理层：Python 脚本对返回的数据进行清洗、去重，计算一些派生指标（比如预估月销量、价格波动幅度、竞争度打分），并按预设阈值筛选出潜力商品。

3. 存储与对比层：将结果存入本地 Excel 或 SQLite 数据库，并保留每次采集的时间戳。定时任务每天执行一次，自动对比历史记录，发现价格暴跌、销量暴涨、上新等异动时打上标记，输出爆款候选清单。

这套方案把大部分精力放在数据处理和业务逻辑上，避开了爬虫维护的泥潭，适合长期稳定的类目监控。

---

三、代码实现

下面是可直接运行的脚本，做了适当的错误处理和日志输出。数据获取函数 fetch_products 是一个抽象接口，实际使用时需要替换成你自己的数据源（例如官方 API 或者合规的第三方数据服务）。

import requests
import pandas as pd
import schedule
import time
import logging
from datetime import datetime

# ---------- 日志配置 ----------
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

# ---------- 配置区 ----------
# 监控的关键词列表，可自行增删
MONITOR_KEYWORDS = ["家用收纳盒", "厨房沥水篮", "桌面手机支架"]
# 潜力商品的最低月销量阈值
SALES_THRESHOLD = 500
# 输出报表文件名
OUTPUT_FILE = "选品监控报表.xlsx"

# ---------- 数据获取函数（需自行实现） ----------
def fetch_products(keyword, page=1, page_size=30):
    """
    根据关键词获取商品列表。
    返回一个 list，每个元素为 dict，包含商品的标准字段。
    实际使用时，替换为具体的数据接口调用逻辑。
    """
    # 示例：假设有一个商品搜索接口
    # 注意：这只是示例，不可直接使用，需要替换为你的实际数据源
    api_url = "https://api.example.com/search"
    headers = {"Content-Type": "application/json"}
    params = {
        "keyword": keyword,
        "page": page,
        "page_size": page_size,
        # "key": "your_api_key"  # 如果需要鉴权
    }
    try:
        resp = requests.get(api_url, params=params, headers=headers, timeout=15)
        resp.raise_for_status()
        data = resp.json()
        # 根据实际返回结构提取商品列表
        items = data.get("data", {}).get("items", [])
    except Exception as e:
        logging.error(f"获取关键词 '{keyword}' 数据失败: {e}")
        return []

    # 统一转换为标准格式，字段不足的给默认值
    products = []
    for item in items:
        product = {
            "采集时间": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
            "搜索词": keyword,
            "商品ID": item.get("item_id", ""),
            "标题": item.get("title", ""),
            "售价": float(item.get("price", 0)),
            "促销价": float(item.get("promo_price", 0)) if item.get("promo_price") else None,
            "月销量": int(item.get("monthly_sales", 0)),
            "累计评价": int(item.get("comment_count", 0)),
            "店铺名": item.get("shop_name", ""),
            "店铺类型": item.get("shop_type", ""),   # 如：天猫、个人店
            "发货地": item.get("ship_from", ""),
            "主图链接": item.get("main_image", ""),
            "类目路径": item.get("category_path", "")
        }
        products.append(product)
    return products

# ---------- 数据筛选 ----------
def filter_hot_products(all_products):
    """按销量阈值过滤爆款，并输出统计"""
    hot = [p for p in all_products if p["月销量"] >= SALES_THRESHOLD]
    normal = [p for p in all_products if p["月销量"] < SALES_THRESHOLD]
    logging.info(f"筛选完成，潜力爆款 {len(hot)} 个，普通商品 {len(normal)} 个")
    return hot, normal

# ---------- 数据存储 ----------
def save_to_excel(hot_products, all_products):
    """写入 Excel，分为两个 Sheet"""
    try:
        with pd.ExcelWriter(OUTPUT_FILE, engine="openpyxl", mode="w") as writer:
            df_all = pd.DataFrame(all_products)
            df_hot = pd.DataFrame(hot_products)
            df_all.to_excel(writer, sheet_name="全部商品", index=False)
            if not df_hot.empty:
                df_hot.to_excel(writer, sheet_name="潜力爆款", index=False)
        logging.info(f"报表已保存至 {OUTPUT_FILE}")
    except Exception as e:
        logging.error(f"保存 Excel 失败: {e}")

# ---------- 单次监控任务 ----------
def run_once():
    all_products = []
    for kw in MONITOR_KEYWORDS:
        logging.info(f"正在采集关键词: {kw}")
        data = fetch_products(kw)
        all_products.extend(data)
        time.sleep(2)  # 控制请求频率，避免触发限流
    if not all_products:
        logging.warning("未获取到任何商品数据，请检查数据源配置。")
        return
    hot, _ = filter_hot_products(all_products)
    save_to_excel(hot, all_products)

# ---------- 定时任务 ----------
def schedule_task():
    schedule.every().day.at("09:00").do(run_once)
    logging.info("定时任务已启动，每天 09:00 自动执行选品监控...")
    while True:
        schedule.run_pending()
        time.sleep(60)

if __name__ == "__main__":
    # 选择运行模式：
    # 1) 手动执行一次
    run_once()
    # 2) 启动定时任务（需注释掉上面那行）
    # schedule_task()

使用说明

1. 实现数据获取函数：上面的 fetch_products 是占位的，你需要根据实际对接的 API 来完善它。常见的来源包括：

   • 电商平台的官方开放 API（需申请开发者权限）

   • 经过授权的第三方数据服务（注意合规性）

   • 如果是自建爬虫，则需在该函数内处理请求和解析，但仍建议将获取和解析分离。

2. 调整监控关键词：修改 MONITOR_KEYWORDS 列表，放入你主营的类目词。

3. 设定筛选阈值：SALES_THRESHOLD 根据类目特点调整，小众类目可以设低些（如 200），标品大类目可以设高些（如 1000）。

4. 运行方式：直接运行脚本会执行一次采集并生成报表；如需每日自动运行，注释掉 run_once()，启用 schedule_task()，让程序在后台常驻即可。也可以配合系统的计划任务（如 cron）来每日执行单次脚本，这样更轻量。

---

四、进阶玩法：让数据更有价值

1. 价格趋势与异动监控

每次采集都会带上时间戳，持续运行几天后，你可以用 Excel 的数据透视表或直接在 pandas 里按商品 ID 分组，观察同一商品的价格走势。举个例子，某款收纳盒连续三天售价为 29.9、29.9、19.9，说明正在进行降价促销，可能值得关注。

更进一步，可以在脚本里增加异动告警：

def price_change_alert(new_data, old_file):
    # 读取昨日报表，对比同商品ID的售价和月销量
    # 价格跌幅超过20% 或 销量增长超过50% 时输出告警信息
    pass

2. 竞争度分析

利用返回的店铺类型、发货地、类目路径等字段，可以快速估算一个品类的竞争态势。比如统计同一类目下天猫店铺的占比，如果超过 70%，说明品牌集中度高，小卖家切入难度大。或者按发货地分组，看货源是否集中在某几个城市，侧面反映供应链的集中程度。

3. 新品识别

定时任务每天采集，通过比对今日和昨日的商品 ID 集合，新增的 ID 即为当天上架的新品。对这些新品可以单独记录下来，持续跟踪 3-7 天的销量增速，很多蓝海爆款往往就出现在这类刚冒头的商品里。

4. 数据持久化

Excel 适合日常查看，但当数据量大、要做复杂查询时，建议将每次采集的结果存入 SQLite 数据库。表结构可以很简单：

CREATE TABLE products (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    crawl_time TEXT,
    keyword TEXT,
    item_id TEXT,
    title TEXT,
    price REAL,
    monthly_sales INTEGER,
    ...
);

然后用 SQL 就能轻松计算每个商品的历史最高/最低价、销量均值等，比 Excel 灵活得多。

---

五、注意点

• 请求频率：对接任何数据源都要注意调用频率限制，在 fetch_products 里已经加了 2 秒的间隔，根据实际 API 的 QPS 调整。

• 数据源稳定性：接口可能不定时调整字段或返回结构，代码中要做好兼容，对缺失字段给默认值，避免程序崩溃。

• 合规使用：获取数据时遵守平台协议，不要抓取未公开的信息或用于违规用途。

• 阈值灵活调整：不同季节、不同类目的销量基准差异很大，建议每周根据实际情况微调 SALES_THRESHOLD。

---

整套方案把重复的人工浏览和记录工作转变为程序自动化执行，每天花几分钟看报表就能掌握多个类目的动态。代码是开箱即用的基础版，可以根据自己的业务需求进一步扩展，比如接入更多数据维度、加入利润率计算、对接企业微信/钉钉告警等。选品拼的终究是信息获取和分析的效率，用对工具能省下大量时间，让精力集中在选品决策本身。