声明:本文仅讨论商家主动公开数据的本地整理与导出,不涉及破解登录、验证码识别、风控对抗、非公开接口调用或隐私数据抓取。请遵守 Made-in-China.com 服务条款、robots.txt。本文仅分享实现思路与示例代码。
在跨境电商选品、供应链对接、外贸客户开发等场景中,有时需要整理中国制造英文站(Made-in-China.com)上供应商公开的联系方式。很多供应商会在公开商品页、公司页或联系页展示电话、邮箱、公司名等信息。人工复制效率低,容易遗漏,因此可以用脚本对已公开、可访问的页面做本地整理。
本文标题中的“中国制造英文站采集器 / 跨境电商电话导出教程”,核心是:把商家主动公开在页面上的联系方式,做本地解析、去重并导出 CSV。它不绕过登录,不调用非公开接口,也不处理未公开数据。
一个合规的“中国制造英文站采集器”通常只做以下几件事:
mailto:、tel: 链接中的联系方式;需要强调:如果商家没有公开电话或邮箱,工具无法获取,也不应尝试通过非正常手段获取。
需要 Python 3.8+,安装依赖:
pip install requests beautifulsoup4推荐方式:
.html 文件;input 文件夹。不建议直接高频请求 Made-in-China.com。手动保存公开页面既能降低平台压力,也能确保数据来源是公开可见的。若页面需要登录,请只保存你自己有权访问、且商家主动公开的信息。
将下方代码保存为 export_mic_contacts.py,运行:
python export_mic_contacts.py脚本会在 output 文件夹生成 made_in_china_public_contacts.csv,包含“来源”“公司/标题”“邮箱”“电话”等列。建议导出后人工核对,避免把平台客服电话、物流电话误当成供应商电话。
以下代码演示了从公开页面中提取联系方式并导出 CSV 的基本思路。中国制造英文站页面结构可能变化,代码不保证对所有页面有效,请勿用于违规批量抓取。
import csv
import os
import re
import time
from urllib.parse import urlparse
from urllib.robotparser import RobotFileParser
import requests
from bs4 import BeautifulSoup
HEADERS = {
"User-Agent": (
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) "
"AppleWebKit/537.36 (KHTML, like Gecko) "
"Chrome/124.0.0.0 Safari/537.36"
),
"Accept-Language": "en-US,en;q=0.9,zh-CN;q=0.8",
}
EMAIL_RE = re.compile(r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}")
# 国际电话简单匹配:支持 +86、0086、1-xxx、44 20 xxxx 等
PHONE_RE = re.compile(
r"(?:(?:\+|00)\d{1,3}[\s\-]?)?(?:\(?\d{2,4}\)?[\s\-]?)?\d{3,4}[\s\-]?\d{4}"
)
def can_fetch(url: str) -> bool:
"""检查 robots.txt 是否允许抓取"""
parsed = urlparse(url)
robots_url = f"{parsed.scheme}://{parsed.netloc}/robots.txt"
rp = RobotFileParser()
rp.set_url(robots_url)
try:
rp.read()
except Exception as e:
print(f"[robots] 读取失败:{e}")
return False
allowed = rp.can_fetch(HEADERS["User-Agent"], url)
if not allowed:
print(f"[robots] 不允许抓取:{url}")
return allowed
def fetch_public_html(url: str):
"""获取公开页面 HTML,单线程、限速、超时"""
if not can_fetch(url):
return None
try:
resp = requests.get(url, headers=HEADERS, timeout=15)
if resp.status_code != 200:
print(f"[HTTP] 状态码 {resp.status_code},URL:{url}")
return None
text = resp.text
low = text.lower()
# 遇到登录、验证码等页面立即停止,不尝试绕过
if "captcha" in low or "验证码" in text or "sign in" in low:
print(f"[停止] 页面可能需要登录或验证,不继续处理:{url}")
return None
return text
except Exception as e:
print(f"[请求异常] {e},URL:{url}")
return None
def clean_phone(phone: str) -> str:
"""清洗电话字符串"""
phone = phone.strip()
phone = re.sub(r"[\s\-()]", "", phone)
if phone.startswith("00"):
phone = "+" + phone[2:]
return phone
def extract_contacts(html: str):
"""从公开 HTML 中提取公司名、邮箱、电话"""
soup = BeautifulSoup(html, "html.parser")
text = soup.get_text(separator=" ", strip=True)
# 公司名 / 页面标题
company = ""
if soup.title:
company = soup.title.get_text(strip=True)
h1 = soup.find("h1")
if h1:
company = h1.get_text(" ", strip=True)
emails = set(EMAIL_RE.findall(text))
phones = set(PHONE_RE.findall(text))
# 提取 mailto: 和 tel: 链接
for a in soup.find_all("a", href=True):
href = a["href"].strip()
if href.lower().startswith("mailto:"):
emails.add(href[7:].split("?")[0])
if href.lower().startswith("tel:"):
phones.add(href[4:])
emails = {e.strip().lower() for e in emails if e.strip()}
phones = {clean_phone(p) for p in phones if clean_phone(p)}
return company, sorted(emails), sorted(phones)
def read_local_file(path: str) -> str:
"""读取本地公开页面或文本"""
with open(path, "r", encoding="utf-8", errors="ignore") as f:
return f.read()
def process_local(input_dir: str):
"""批量处理本地公开页面"""
rows = []
if not os.path.isdir(input_dir):
print(f"[提示] 本地目录不存在:{input_dir}")
print("请创建 input 文件夹,并放入公开页面 HTML 或 TXT 文件。")
return rows
for root, _, files in os.walk(input_dir):
for name in files:
if not name.lower().endswith((".html", ".htm", ".txt")):
continue
path = os.path.join(root, name)
try:
html = read_local_file(path)
except Exception as e:
print(f"[读取失败] {path}:{e}")
continue
company, emails, phones = extract_contacts(html)
if not emails and not phones:
rows.append([path, company, "", ""])
else:
max_len = max(len(emails), len(phones), 1)
for i in range(max_len):
rows.append([
path,
company,
emails[i] if i < len(emails) else "",
phones[i] if i < len(phones) else "",
])
return rows
def process_urls(urls):
"""处理公开且 robots.txt 允许的 URL,谨慎使用"""
rows = []
for url in urls:
print(f"[处理] {url}")
html = fetch_public_html(url)
if not html:
continue
company, emails, phones = extract_contacts(html)
if not emails and not phones:
rows.append([url, company, "", ""])
else:
max_len = max(len(emails), len(phones), 1)
for i in range(max_len):
rows.append([
url,
company,
emails[i] if i < len(emails) else "",
phones[i] if i < len(phones) else "",
])
# 单线程限速,避免对平台造成压力
time.sleep(8)
return rows
def deduplicate(rows):
"""按来源 + 公司 + 邮箱 + 电话去重"""
seen = set()
unique_rows = []
for row in rows:
key = tuple(row)
if key not in seen:
seen.add(key)
unique_rows.append(row)
return unique_rows
def export_csv(rows, output_csv: str):
"""导出 CSV"""
out_dir = os.path.dirname(output_csv)
if out_dir:
os.makedirs(out_dir, exist_ok=True)
with open(output_csv, "w", newline="", encoding="utf-8-sig") as f:
writer = csv.writer(f)
writer.writerow(["来源", "公司/标题", "邮箱", "电话"])
writer.writerows(rows)
print(f"[完成] 共导出 {len(rows)} 条记录到 {output_csv}")
def main():
# 推荐:手动保存公开页面到 input 目录
local_rows = process_local("input")
# 可选:公开且 robots.txt 允许的 URL。
# Made-in-China.com 多数页面可能禁止直接抓取,请谨慎使用,不要绕过登录和验证码。
urls = [
# "https://www.made-in-china.com/...",
]
url_rows = process_urls(urls)
all_rows = local_rows + url_rows
unique_rows = deduplicate(all_rows)
export_csv(unique_rows, "output/made_in_china_public_contacts.csv")
if __name__ == "__main__":
main()如果你只做本地整理,也可以把公开页面手动保存为 HTML,然后用 BeautifulSoup 读取本地文件:
from bs4 import BeautifulSoup
import re
def extract_from_local(file_path):
with open(file_path, "r", encoding="utf-8", errors="ignore") as f:
html = f.read()
soup = BeautifulSoup(html, "html.parser")
text = soup.get_text(" ", strip=True)
emails = set(re.findall(r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}", text))
phones = set(re.findall(
r"(?:(?:\+|00)\d{1,3}[\s\-]?)?(?:\(?\d{2,4}\)?[\s\-]?)?\d{3,4}[\s\-]?\d{4}",
text,
))
cleaned = set()
for p in phones:
p = re.sub(r"[\s\-()]", "", p)
if p.startswith("00"):
p = "+" + p[2:]
cleaned.add(p)
return {
"emails": sorted(emails),
"phones": sorted(cleaned),
}
print(extract_from_local("public_page.html"))input 文件夹中的公开页面,不主动请求平台,降低合规风险。tel: 和 mailto: 链接。00 前缀。utf-8-sig 编码,Excel 打开不易乱码。如果你的页面是动态渲染的,另存为 HTML 可能拿不到联系方式。此时不要尝试绕过登录或风控,建议优先联系商家通过正规渠道获取,或使用平台官方授权接口。
如果需要长期、稳定地导出跨境电商数据,建议优先使用官方开放平台或授权接口。商家授权后,可以通过正规方式获取公司、商品、联系方式等数据。公开页面解析只适合小规模、临时性的公开信息整理,不应作为批量采集手段。
本文分享的“中国制造英文站采集器 / 跨境电商电话导出教程”实现思路,核心是:读取公开页面 → 解析公开联系方式 → 清洗去重 → 导出 CSV。它适合小规模、合规的数据整理场景,不能也不应被用于非法抓取或骚扰营销。
技术本身是中性的,关键在于使用方式。希望这篇教程能帮助你在合规前提下提升整理效率。平台页面结构会变化,代码也可能需要根据实际情况调整;若页面需要登录或出现验证码,请立即停止,不要尝试绕过。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。