Всем привет!

Ранее я уже писал про парсинг Wildberries, но та статья была довольно узконаправленной и не затрагивала более широкие возможности анализа. Да и с тех пор многое изменилось — тема стала ещё актуальнее, а у читателей накопилось больше вопросов.

Поэтому в этой статье мы разберём тему заново, но уже с акцентом на практическую пользу. Мы разберём:

• как достать данные о товарах и ценах из WB,

• как превратить их в удобные таблицы или графики,

• и как использовать их для анализа конкурентов и рынка в целом.

Всё это будет реализовано на Python.

Все примеры приведены исключительно в образовательных целях. Для коммерческой работы у Wildberries есть официальный Public API.

Сам парсер мы развернем тремя командами в IDE, используя Git, в облачном сервисе Amvera — о нём расскажем чуть ниже.

Где искать данные для парсинга?

Первый вопрос, который возникает у любого, кто хочет парсить Wildberries: а где вообще лежат данные?

Ответ прост: прямо в браузере. Когда мы открываем карточку товара или каталог, сайт делает фоновые запросы к API и принимает информацию в формате JSON.

Посмотреть их можно в DevTools (панель разработчика в браузере):

1. Откройте любую страницу на Wildberries.

2. Нажмите F12 — вкладка Network - фильтр Fetch/XHR.

3. Обновите страницу (CTRL+F5).

4. В списке запросов вы увидите адреса вида:

   • https://u-search.wb.ru/exactmatch/ru/common/v18/search?ab\_testid=new\_benefit\_sort&appType=1&curr=rub&dest=-1257786&inheritFilters=false&lang=ru&page=1&query=%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%20%D0%BF%D0%BE%D0%B8%D1%81%D0%BA%D0%B0&resultset=catalog&sort=popular&spp=30&suppressSpellcheck=false — именно это и выводит результаты поиска (в нашем случае по запросу «пример поиска»).

Если кликнуть по такому запросу и открыть вкладку Response, то там будет чистый JSON: название, цена, рейтинг, количество отзывов, бренд и другая полезная информация, которую мы будем парсить.

Пример ответа для одного товара:

"products":[
      {
         "__msort":113473,
         "mrel":9862,
         "mksort":65,
         "id":124063338,
         "time1":3,
         "time2":60,
         "wh":117986,
         "dtype":6597069766664,
         "dist":991,
         "root":110497359,
         "kindId":0,
         "brand":"НА ПРИМЕР",
         "brandId":313700,
         "siteBrandId":0,
         "colors":[
            
         ],
         "subjectId":4961,
         "subjectParentId":786,
         "name":"Комиксы детские для мальчиков 5-11 лет",
         "entity":"книги-комиксы",
         "matchId":131554853,
         "supplier":"ОП!",
         "supplierId":222339,
         "supplierRating":4.7,
         "supplierFlags":12224,
         "pics":18,
         "rating":5,
         "reviewRating":4.7,
         "nmReviewRating":4.7,
         "feedbacks":45,
         "nmFeedbacks":45,
         "panelPromoId":1009972,
         "volume":3,
         "viewFlags":1581072,
         "sizes":[
            {
               "name":"",
               "origName":"0",
               "rank":0,
               "optionId":218050475,
               "wh":117986,
               "time1":3,
               "time2":60,
               "dtype":6597069766664,
               "price":{
                  "basic":160000,
                  "product":33700,
                  "logistics":300,
                  "return":0
               },
               "saleConditions":146800640,
               "payload":"длинная-строка"
            }
         ],
         "totalQuantity":1,
         "meta":{
            "tokens":[
               
            ]
         }
      },
      ...

Где будем запускать парсер?

Прежде чем приступать к работе с данными, давайте разберём, где мы будем развертывать наш парсер.

Запуск произведем в Amvera — облачном сервисе, который позволяет быстро и просто запускать IT‑приложения. А главное, запросы идут с разных IP, что снижает риск блокировки. Проект можно развернуть буквально за 5–10 минут.

Почему Amvera удобен для нас:

• Использование пула IP — наши запросы будут идти через разные IP, что снизит риск блокировки и 429 ошибки. Это бесплатно и идет из коробки.

• Бонус при регистрации — 111 рублей. Эти деньги можно получить и использовать для тестирования, отладки или кратковременного запуска приложения без дополнительных условий.

• Бесплатное проксирование к OpenAI, Gemini, Grok AI и другим сервисам с региональными ограничениями — удобно для интеграций с LLM.

• Поддержка LLaMA и ChatGPT‑инференса. Это значит, что мы можем обрабатывать данные без покупки токенов через зарубежные карты, например для OpenAI.

• Простое развёртывание приложения: достаточно настроить несколько параметров конфигурации и выполнить 4 команды в терминале через git push. При желании файлы можно загружать и через веб-интерфейс, без командной строки.

Итак, перейдём к практике.

Шаг 0: Как устроен URL поиска Wildberries и что означают его параметры

Когда мы работаем с данными Wildberries через внутреннее API, мы обращаемся к URL вроде этого:

url = f"https://search.wb.ru/exactmatch/ru/common/v18/search?appType=1&curr=rub&dest=-1257786&lang=ru&page=1&query={query}&resultset=catalog&sort=popular&spp=30"

На первый взгляд, это длинная и сложная строка, но на самом деле она состоит из обычных параметров, каждый из которых отвечает за конкретную часть поиска.

Основные параметры

• appType — тип приложения: 1 = веб, 4 = мобильное. Влияет на формат данных.

• curr — валюта: rub — рубли, usd — доллары и т.д.

• dest — регион или склад. Определяет наличие товара и цену.

• lang — язык интерфейса и описаний товаров.

• page — номер страницы поиска. Позволяет листать результаты.

• query — поисковый запрос, например "смартфон" или "наушники".

• resultset — скорее всего тип поиска. Обычно catalog.

• sort — сортировка результатов: популярные, по цене, рейтингу и т.д.

• spp — количество товаров на одной странице.

Шаг 1. Минимальный парсер Wildberries

Для запуска нужен Python >=3.11 и библиотеки requests и pandas

import requests
import pandas as pd

# Создаем строку (пока query = захардкоженое значение)
query = "смартфон"
url = f"https://search.wb.ru/exactmatch/ru/common/v18/search?appType=1&curr=rub&dest=-1257786&lang=ru&page=1&query={query}&resultset=catalog&sort=popular&spp=30"

response = requests.get(url)
data = response.json()

# Получаем список продуктов
products = data.get("products", [])

# Преобразуем данные в удобный для создания DataFrame вид
items = []
for p in products:
    item = {
        "id": p.get("id"),
        "name": p.get("name"),
        "brand": p.get("brand"),
        "price": p.get("sizes", [{}])[0].get("price", {}).get("product", 0) / 100,  # цена в рублях
        "rating": p.get("rating", 0),
        "feedbacks": p.get("feedbacks", 0)
    }
    items.append(item)

df = pd.DataFrame(items)
print(df.head())

# Сохраняем в CSV
df.to_csv("test.csv", index=False)

Что делает этот код:

1. Достает данные с Wildberries по запросу query.

2. Берёт нужные поля: id,name,brand,price,rating,feedbacks.

3. Преобразует в таблицу pandas DataFrame.

4. Сохраняет в CSV, чтобы можно было удобно анализировать и строить графики.

После выполнения кода выше получаем test.csv с содержимым:

id,name,brand,price,rating,feedbacks
507623823,Смартфон Redmi 13C 8ГБ 256 ГБ 90гц Аndroid синий,Xiaomi,6121.0,5,4
518695516,Смартфон Y19 8 256 ГБ Черный,VIVO,4320.0,0,0
309442000,Смартфон Frbby F10 4 128GB 5000mAh черный,,5301.0,5,53
488478649,Смартфон realne 13C 6 128ГБ,,4517.0,4,15
256099131,"M-HORSE, Смартфон P70 64 ГБ 5000 мАч Светло-серый",MI,4143.0,4,84
365784152,"Смартфон Y04 4+128 Гб, малахитовый черный",vivo,8567.0,5,95
440536590,SPARK Go 1 4+128GB,TECNO,6754.0,5,107
478600034,Galaxy A16 4+128GB,Samsung,10995.0,5,23
384497995,Смартфон A55 Plus 12+512+Разблокировка по лицу и отпечатку,,5569.0,4,68
342395239,SPARK Go 1 3+64GB,TECNO,4945.0,5,150
507519429,Смартфон Y71 6 128 Gb Черный,VIVO,2760.0,5,2
480685679,Смартфон SPARK 40C 128+8GB Ink Black,TECNO,9272.0,5,39
...

Шаг 2. Визуализация данных

После того как мы собрали данные о товарах и ценах из Wildberries и сохранили их в CSV (test.csv), следующим шагом будет анализ и визуализация. Это позволит быстро понять, какие бренды популярны, как распределены цены, и где есть возможности для конкуренции.

Мы будем использовать Python, а именно библиотеки:

• pandas — для работы с таблицами,

• matplotlib и seaborn — для графиков.

2.1. Гистограмма цен

Сначала посмотрим, как распределены цены на смартфоны:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("test.csv")

plt.figure(figsize=(10,6))
sns.histplot(df['price'], bins=20, kde=True)
plt.title("Распределение цен на смартфоны")
plt.xlabel("Цена, руб")
plt.ylabel("Количество товаров")
plt.tight_layout()
plt.savefig("price.png")
plt.close()

Вывод сохраняется в price.png:

2.2. Топ брендов по количеству товаров

Теперь посмотрим, какие бренды представлены больше всего:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("test.csv")

top_brands = df['brand'].value_counts().head(10)
plt.figure(figsize=(10,6))
sns.barplot(x=top_brands.index, y=top_brands.values)
plt.title("Топ-10 брендов по количеству товаров")
plt.xlabel("Бренд")
plt.ylabel("Количество товаров")
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig("brands_count.png")
plt.close()

Вид brands_count.png:

2.3. Топ брендов по средней цене

Интересно также посмотреть, у каких брендов самые дорогие товары:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

df = pd.read_csv("test.csv")

brand_price = df.groupby('brand')['price'].mean().sort_values(ascending=False).head(10)
plt.figure(figsize=(10,6))
sns.barplot(x=brand_price.index, y=brand_price.values)
plt.title("Топ-10 брендов по средней цене")
plt.xlabel("Бренд")
plt.ylabel("Средняя цена, руб")
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig("brands_avg_price.png")
plt.close()

График brands_avg_price.png:

Шаг 3. Создаём Телеграм-бота для анализа Wildberries

Теперь мы можем сделать бота, которому достаточно написать команду /search <запрос>;, а бот:

1. Получает товары с WB по вашему запросу,

2. Строит графики и сохраняет их в PNG,

3. Отправляет графики пользователю.

3.1. Установка зависимостей

В проекте будут использованы следующие зависимости:

• aiogram — для бота Telegram

• pandas — работа с таблицами

• matplotlib и seaborn — графики

• requests — запросы к API WB

• python-dotenv — хранение токена бота в .env (нужно только локально, в Amvera будем использовать интерфейс)

Если будете тестировать локально — создайте .env с содержимым:

TOKEN=ВАШ_ТОКЕН_ТЕЛЕГРАМ

Напишем файл requirements.txt, содержащий список наших зависимостей. Это поможет нам в дальнейшем развертывании решения.

requirements.txt:

aiogram==3.22.0
requests==2.32.5
pandas==2.3.2
matplotlib==3.10.6
seaborn==0.13.2
python-dotenv==1.1.1

3.2. Код бота

import asyncio
import requests
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import io
import logging
import os

from dotenv import load_dotenv

from aiogram import Bot, Dispatcher, types, F
from aiogram.types import InlineKeyboardButton, CallbackQuery, InputFile
from aiogram.filters import CommandStart, Command, CommandObject
from aiogram.utils.keyboard import InlineKeyboardBuilder
from aiogram.client.default import DefaultBotProperties
from aiogram.enums.parse_mode import ParseMode

logging.basicConfig(level=logging.INFO)
load_dotenv()

bot = Bot(os.getenv("TOKEN"), default=DefaultBotProperties(parse_mode=ParseMode.HTML)) # Создайте переменную окружения TOKEN с токеном вашего бота  
dp = Dispatcher()

@dp.message(Command("search"))
async def search_wb(message: types.Message):
    query = message.text.split(" ", 1)[1]
    if not query:
        await message.answer("Пожалуйста, укажи, что искать: /search <запрос>")
        return

    await message.answer(f"Ищу товары по запросу: {query}...")

    # Получаем и парсим данные
    url = f"https://search.wb.ru/exactmatch/ru/common/v18/search?appType=1&curr=rub&dest=-1257786&lang=ru&page=1&query={query}&resultset=catalog&sort=popular&spp=30"
    response = requests.get(url)
    data = response.json()
    products = data.get("products", [])

    items = []
    for p in products:
        item = {
            "id": p.get("id"),
            "name": p.get("name"),
            "brand": p.get("brand"),
            "price": p.get("sizes", [{}])[0].get("price", {}).get("product", 0) / 100,
            "rating": p.get("rating", 0),
            "feedbacks": p.get("feedbacks", 0)
        }
        items.append(item)

    df = pd.DataFrame(items)

    if df.empty:
        await message.answer("По вашему запросу товаров не найдено.")
        return

    # 1. Гистограмма цен
    plt.figure(figsize=(8,5))
    sns.histplot(df['price'], bins=20, kde=True)
    plt.title("Распределение цен")
    plt.xlabel("Цена, руб")
    plt.ylabel("Количество товаров")
    price_buf = io.BytesIO()
    plt.savefig(price_buf, format='png')
    price_buf.seek(0)
    plt.close()

    # 2. Топ-10 брендов по количеству
    top_brands = df['brand'].value_counts().head(10)
    plt.figure(figsize=(8,5))
    sns.barplot(x=top_brands.index, y=top_brands.values)
    plt.title("Топ-10 брендов по количеству товаров")
    plt.xlabel("Бренд")
    plt.ylabel("Количество")
    plt.xticks(rotation=45)
    brands_count_buf = io.BytesIO()
    plt.savefig(brands_count_buf, format='png')
    brands_count_buf.seek(0)
    plt.close()

    # 3. Топ-10 брендов по средней цене
    brand_price = df.groupby('brand')['price'].mean().sort_values(ascending=False).head(10)
    plt.figure(figsize=(8,5))
    sns.barplot(x=brand_price.index, y=brand_price.values)
    plt.title("Топ-10 брендов по средней цене")
    plt.xlabel("Бренд")
    plt.ylabel("Средняя цена, руб")
    plt.xticks(rotation=45)
    brands_avg_price_buf = io.BytesIO()
    plt.savefig(brands_avg_price_buf, format='png')
    brands_avg_price_buf.seek(0)
    plt.close()

    # Отправляем все 3 графика 
    await message.answer_photo(types.BufferedInputFile(price_buf.getvalue(), filename='price.png'))
    await message.answer_photo(types.BufferedInputFile(brands_count_buf.getvalue(), filename='brands_count.png'))
    await message.answer_photo(types.BufferedInputFile(brands_avg_price_buf.getvalue(), filename='brands_avg_price.png'))

async def on_start():
    await bot.delete_webhook(drop_pending_updates=True)
    await dp.start_polling(bot)

if __name__ == "__main__":
    asyncio.run(on_start())

3.3. Что умеет бот

1. По команде /search <запрос>; собирает товары Wildberries.

2. Формирует три графика:

   • распределение цен,

   • топ-10 брендов по количеству товаров,

   • топ-10 брендов по средней цене.

3. Отправляет графики в PNG, готовые для анализа

Код и графики дают базовую аналитику, но пространство для улучшений огромное: можно парсить больше страниц, анализировать отзывы, интегрировать и с другими сервисами.

Шаг 4. Деплой в Amvera

Итак, когда у нас уже есть что-то, мы можем перейти к деплою бота.

Регистрация в Amvera

Как ни странно, для начала нужно зарегистрироваться по ссылке. Сразу после регистрации вы получите 111 рублей для тестов. Этого будет достаточно для того, чтобы довести проект до ума и некоторое время подержать приложение бесплатно.

Создание проекта

На главной странице жмем кнопку "Создать проект" и действуем по инструкции ниже:

Загрузка данных

Теперь у нас есть выбор как загружать данные:

1. Через интерфейс. Удобно, если вдальнейшем не планируете часто обновлять проект.

2. Через пуш в git-репозиторий Amvera. Самый удобный способ, если ведете разработку в одиночку.

3. Через пуш в репозиторий стороннего Git-сервиса (например, GitHub). Удобно, если работаете в команде.

Сейчас же мы загрузим данные через интерфейс.

Однако, если вы планируете использовать второй или третий способ, следуйте инструкциям ниже:

• Пуш в git-репозиторий Amvera

• Пуш в сторонний git-репозиторий

Загружаем в корень Code два файла:

• requirements.txt

• bot.py

Создание конфигурации

Для сборки и запуска приложения, сервису нужны инструкции, которые мы пропишем в файл конфигурации — amvera.yml.

Самостоятельно файл создавать не нужно, достаточно воспользоваться встроенным во вкладку «Конфигурация» конфигуратором и нажать кнопку «Применить».

Просто пропишите следующие значения параметров:

Создание переменных окружения

Amvera поддерживает два типа переменных:

• Секрет. Чаще всего используется для токенов ботов и любых других конфиденциальных данных. Именно его мы и создадим. Его особенность в том, что никто кроме вашего проекта не видит значение переменной.

• Переменная окружения. Обычная переменная. Видна всем, у кого есть доступ к ЛК (извне не видно никому).

Создадим секрет TOKEN во вкладке «Переменные».

Сборка и запуск проекта

Если вы все сделали по инструкции, то все готово к первой сборке и запуску. Для этого нужно лишь перейти вовкладку «Конфигурация» и нажать кнопку «Собрать». После этого начнется процесс сборки и запуска.

Если у вас возникли сложности при запуске или сборке - обращайтесь в техническую поддержку.
https://t.me/amverachat
support@amvera.ru

Итог

В этой статье мы разобрали, как собрать и проанализировать данные о товарах и ценах с Wildberries и реализовали:

1. Парсинг данных — через внутренние API Wildberries, получая JSON с товарами, брендами, ценами, рейтингами и отзывами.

2. Обработку и визуализацию — с помощью pandas, matplotlib и seaborn можно строить таблицы и графики для анализа конкурентов.

3. Автоматизацию через Telegram-бота — бот позволяет быстро получать аналитику по любому запросу прямо в чат, с готовыми графиками.

4. Деплой в облако Amvera — проект можно легко запустить и тестировать в облачном окружении без лишних настроек.

Это именно демонстрационный пример, на основе которого можно реализовать собственный парсер цен конкурентов.

Релевантные статьи и страницы документации:

• Бот-парсер маркетплейса на Python

• Главная страница документации Amvera

• Работа с Git в Amvera

• Постоянное хранилище в Amvera