> ## Documentation Index
> Fetch the complete documentation index at: https://www.octoparse.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Raccolta dati e-commerce

> Come raccogliere cataloghi, prezzi, recensioni, valutazioni, dati sui venditori e segnali sulle scorte da siti e marketplace e-commerce.

La raccolta dati e-commerce trasforma pagine prodotto e marketplace in dataset strutturati. I rivenditori la usano per monitorare i concorrenti, i marchi per controllare attività dei rivenditori e recensioni, i ricercatori per comprendere le tendenze di categoria e i team di prodotto per individuare lacune nell'assortimento, nei contenuti e nel sentiment dei clienti.

Le fonti sono note: Amazon, Walmart, eBay, negozi Shopify, siti dei marchi, pagine dei venditori nei marketplace, recensioni e categorie. La difficoltà tecnica consiste nel fatto che ogni fonte rappresenta gli stessi dati commerciali con layout e difese anti-bot differenti.

## Che cosa raccogliere

Lo scraping e-commerce inizia in genere dal catalogo prodotti.

| Tipo di dati           | Campi di esempio                                                          |
| ---------------------- | ------------------------------------------------------------------------- |
| Identità del prodotto  | Titolo, marchio, ASIN/SKU/GTIN/UPC, modello, URL del prodotto             |
| Prezzi                 | Prezzo corrente, prezzo di listino, sconto, coupon, prezzo in abbonamento |
| Disponibilità          | Disponibile, esaurito, consegna prevista, disponibilità del venditore     |
| Dati del venditore     | Nome, ID nel marketplace, indicazione del soggetto che evade l'ordine     |
| Contenuti del prodotto | Immagini, descrizione, caratteristiche, specifiche                        |
| Recensioni             | Valutazione, numero, testo e data delle recensioni, voti di utilità       |
| Posizionamento         | Classifica dei più venduti, posizione di ricerca, classifica di categoria |
| Varianti               | Taglia, colore, quantità per confezione, stile, area geografica           |

I modelli di Octoparse, Apify e Bright Data separano comunemente l'estrazione da elenchi, dettagli e recensioni, rispecchiando la struttura dei siti e-commerce. Le pagine di elenco offrono ampiezza, quelle di dettaglio tutti i dati del prodotto e quelle delle recensioni segnali su sentiment e qualità.

## Flussi di lavoro comuni

### Monitoraggio del catalogo

Estrai categorie o risultati di ricerca per individuare prodotti, venditori e posizionamenti. Archivia URL e ID dei prodotti come destinazioni da aggiornare.

### Arricchimento dei dettagli dei prodotti

Visita le pagine di dettaglio dei prodotti individuati. Raccogli descrizioni, specifiche, immagini, varianti, informazioni sui venditori e disponibilità.

### Analisi delle recensioni

Raccogli le recensioni separatamente dai dati dei prodotti. Spesso hanno un'impaginazione indipendente e può essere necessario ordinarle dalla più recente per il monitoraggio.

### Monitoraggio di prezzi e scorte

Aggiorna i prodotti selezionati secondo una pianificazione. Archivia istantanee con data e ora per rilevare variazioni di prezzo, promozioni, esaurimenti e cambi di venditore.

## Differenze tra le piattaforme

| Tipo di piattaforma              | Note                                                                  |
| -------------------------------- | --------------------------------------------------------------------- |
| Grandi marketplace               | Dati ricchi, difese anti-bot avanzate, numerose varianti e venditori  |
| Negozi dei marchi                | Struttura più ordinata, spesso su Shopify o piattaforme simili        |
| Rivenditori di nicchia           | Minore standardizzazione, ma difese più leggere                       |
| Marketplace con molte recensioni | Elevato valore del sentiment, impaginazione separata delle recensioni |
| Cataloghi B2B                    | Spesso richiedono accesso, preventivi o prezzi specifici per area     |

Amazon è l'esempio classico. Le pagine di ricerca e categoria mostrano schede con titolo, prezzo, valutazione, numero di recensioni, immagine e identificativi simili all'ASIN. Le pagine prodotto aggiungono descrizioni, caratteristiche, specifiche, venditore, varianti, classifica, scorte e consegna. Le pagine delle recensioni aggiungono testo, valutazione, indicatori del recensore, numero di voti utili e stato di verifica. Considera ogni tipo di pagina un dataset distinto.

## Normalizzazione dei dati

I dati e-commerce devono essere ripuliti prima dell'analisi.

* Normalizza valuta e area geografica.
* Converti le quantità per confezione in prezzo unitario.
* Separa il prezzo del prodotto dalle spese di spedizione.
* Uniforma gli stati di disponibilità.
* Associa le varianti ai prodotti principali.
* Elimina i prodotti identici presenti in URL diversi.
* Conserva la data e l'ora della fonte.

Per confrontare più siti, il problema centrale è abbinare i prodotti. Usa identificativi esatti quando possibile, quindi ricorri a titolo, marchio, modello, quantità, dimensioni e somiglianza delle immagini.

## Anti-bot e scalabilità

I siti e-commerce sono tra le destinazioni più protette perché prezzi, recensioni e scorte sono sensibili sul piano commerciale. Sono comuni rendering JavaScript, limiti di frequenza, CAPTCHA, controlli della reputazione IP, fingerprinting e test del layout.

Su piccola scala possono bastare un ritmo prudente e un browser reale. Su scala maggiore usa Estrazione cloud, suddivisione in attività secondarie, rotazione dei Proxy, fingerprint coerenti e logica per i nuovi tentativi. Per pagine come quelle di Amazon, gli scraper preconfigurati fanno risparmiare tempo perché integrano già la gestione dei tipi di pagina e la mappatura dei campi.

## Limiti di conformità

Esegui lo scraping responsabilmente. Rispetta robots.txt e i termini del sito, evita dati personali o sensibili senza una base legittima e preferisci API ufficiali o feed dei partner quando disponibili e adeguati. Nei marketplace, i dati di venditori e recensori possono comportare ulteriori questioni di policy e privacy.

Lo scraping e-commerce è più utile quando alimenta una decisione precisa: ridefinizione dei prezzi, pianificazione dell'assortimento, monitoraggio delle recensioni, conformità dei rivenditori o ricerca di mercato. Parti dalla decisione, quindi progetta campi e frequenza di raccolta.