🥳加入无抓取社区并领取您的免费试用，访问我们强大的网页抓取工具包！
返回博客

使用Scrapeless进行产品研究：深入探讨Labubu与Google搜索API

Emily Chen
Emily Chen

Advanced Data Extraction Specialist

19-Jun-2025

介绍

像 Labubu 这样的新产品评估不只是浏览几个网页那么简单。要进行有意义的调研，尤其是在数据驱动决策时，你需要信息的深度、规模和结构化处理能力。这正是 Scrapeless 的高级 Google 搜索 API 发挥作用的地方。

在本指南中，我们将引导你如何利用 Scrapeless 的能力进行全面的产品调研，获取关于用户情绪、技术规格、价格等方面的洞察。

为什么使用 Scrapeless 进行产品调研？

Scrapeless 的 Google 搜索 API 允许你以编程方式查询 Google Search，并返回结构化的可操作结果。无需手动打开几十个标签页，Scrapeless 会将一切内容以整洁的 JSON 格式呈现，并且完全匹配你的查询条件。

这对产品调研尤其有用，你通常需要：

  • 对比竞品功能
  • 理解真实用户体验
  • 跟踪评论和论坛中的情绪
  • 分析产品在市场中的定位

开始之前

开始使用前，请确保你具备以下内容：

  • 有效的 Scrapeless API Token（可在你的仪表盘中申请）
  • 安装 Python 3.x（或其他脚本环境）
  • 一份关于 Labubu 的清晰搜索问题清单

以下是一些以产品为中心的查询示例：

  • "Labubu 的定价模型"
  • "Labubu 的功能列表"
  • "Labubu 的性能测试"
  • "Labubu 的 API 稳定性"
  • "Labubu 的集成经验"
  • "Labubu 与替代产品的对比"

这些查询分别对应于调研中的关键方面，无论是价格、技术能力还是竞争态势。

将搜索结果转化为洞察

当你收到 Scrapeless 返回的搜索结果后，可以：

  • 解析内容，提取产品细节
  • 整合模式，识别多渠道中的共性信息
  • 评估情绪，通过用户反馈得出评分
  • 追踪变化，随时间演变监测产品声量

Scrapeless 提供的是一个自动化、可复用的流程，既减轻了人工研究负担，又提升了调研深度与精度。

了解产品功能和技术规格

使用 Scrapeless Google 搜索 API，你可以运行以下搜索：

  • "Labubu 的定价模型"
  • "Labubu 的功能列表"
  • "Labubu 的性能测试"
  • "Labubu 的 API 稳定性"
  • "Labubu 的集成经验"
  • "Labubu 与替代产品的对比"

这些有助于你评估

  • 产品能力
  • 技术稳定性
  • 团队的集成难易程度

你甚至可以添加自动比较逻辑，例如：

  • Labubu vs \[竞品名称]

这样可以让你了解 Labubu 在整个生态中的位置。

衡量用户满意度和情绪趋势

规格参数固然重要，但 用户反馈 同样关键。

Scrapeless 让你轻松实现情绪搜索自动化：

  • "Labubu 值得购买"
  • "Labubu 强烈推荐"
  • "Labubu 用户体验"

这些查询可从以下来源中提取信息：

  • 博客
  • 论坛
  • 评价网站

你可以通过统计正面与负面关键词出现次数，建立基础情绪评分模型。

获取专家观点与深入分析

想获得更专业的视角？可以尝试结构化查询：

  • "Labubu 的专家评测"
  • "Labubu 的案例研究"

这些能帮助你发现：

  • 来自分析师的反馈
  • 企业实际使用情况
  • 产品质量的长期评估

这比客户评论提供了更具战略性的分析维度。

加分项：用于评分 Labubu 的 Python 脚本

为了进一步增强你的研究流程，我们提供了一个基础 Python 脚本，它可以：

  • 通过 Scrapeless API 发送查询
  • 统计匹配正面/负面情绪关键词的结果数量
  • 返回一个基础情绪评分，反映公众认知

你需要准备：

  • 安装 Python 3.x – 点此下载
  • 有效的 Scrapeless API Token – 在代码中替换 SCRAPELESS_API_TOKEN
  • 安装 requests 库 – 终端输入：pip install requests

运行脚本后，它会在控制台输出结果，并生成一个结果文本文件。

Python Script ( labubu_research_script.py )

language Copy 
import json
import requests

SCRAPELESS_API_TOKEN = "SCRAPELESS_API_TOKEN"

def search_google_with_scrapeless(query, gl="us", hl="en", google_domain="google.com", num="10"):
    """Performs a Google search using the Scrapeless API and returns the JSON response."""
    host = "api.scrapeless.com"
    url = f"https://{host}/api/v1/scraper/request"

    headers = {
        "x-api-token": SCRAPELESS_API_TOKEN
    }

    json_payload = json.dumps({
        "actor": "scraper.google.search",
        "input": {
            "q": query,
            "gl": gl,
            "hl": hl,
            "google_domain": google_domain,
            "start": "0",
            "num": num
        }
    })

    try:
        response = requests.post(url, headers=headers, data=json_payload)
        response.raise_for_status()  # Raise an exception for HTTP errors
        return response.json()
    except requests.exceptions.RequestException as e:
        print(f"Error during API request: {e}")
        return None

def get_result_count(query):
    search_results = search_google_with_scrapeless(query, num="1") # Only need 1 result to get total_results
    if search_results and "search_information" in search_results:
        # Scrapeless API might not have spelling_fix, so we rely on total_results
        return int(search_results["search_information"].get("total_results", 0))
    return 0

def negative_queries(product_name):
    return [
        f'"{product_name} broken"',
        f'"{product_name} defective"',
        f'"{product_name} quality issues"',
        f'"{product_name} paint chipping"',
        f'"{product_name} fragile"',
        f'"{product_name} easily damaged"',
        f'"{product_name} not as pictured"',
        f'"{product_name} disappointed with"',
        f'"{product_name} regret buying"',
        f'"{product_name} waste of money"',
    ]

def positive_queries(product_name):
    return [
        f'"{product_name} cute"',
        f'"{product_name} adorable"',
        f'"{product_name} well-made"',
        f'"{product_name} high quality"',
        f'"{product_name} great design"',
        f'"{product_name} perfect gift"',
        f'"{product_name} highly collectible"',
        f'"{product_name} worth the price"',
        f'"{product_name} love my"',
        f'"{product_name} recommended"',
    ]

def conduct_labubu_product_research_with_scoring():
    product_name = "Labubu"

    negative_markers = 0
    positive_markers = 0

    print(f"Searching for product: {product_name}\n")

    print("Negative results found:")
    negative_results_output = []
    for query in negative_queries(product_name):
        count = get_result_count(query)
        if count > 0:
            negative_markers += 1
            negative_results_output.append(f'\"{query}\": {count}')
            print(f'\"{query}\": {count}')
    if not negative_results_output:
        print("none")

    print("\nPositive results found:")
    positive_results_output = []
    for query in positive_queries(product_name):
        count = get_result_count(query)
        if count > 0:
            positive_markers += 1
            positive_results_output.append(f'\"{query}\": {count}')
            print(f'\"{query}\": {count}')
    if not positive_results_output:
        print("none")

    score = positive_markers - negative_markers

    print(f"\nNegative markers: {negative_markers}")
    print(f"Positive markers: {positive_markers}")
    print(f"Score: {score}")

    # Save the output to a file for later inclusion in the article
    with open("labubu_scoring_output.txt", "w", encoding="utf-8") as f:
        f.write(f"Searching for product: {product_name}\n\n")
        f.write("Negative results found:\n")
        if negative_results_output:
            f.write("\n".join(negative_results_output) + "\n")
        else:
            f.write("none\n")
        f.write("\nPositive results found:\n")
        if positive_results_output:
            f.write("\n".join(positive_results_output) + "\n")
        else:
            f.write("none\n")
        f.write(f"\nNegative markers: {negative_markers}\n")
        f.write(f"Positive markers: {positive_markers}\n")
        f.write(f"Score: {score}\n")

if __name__ == "__main__":
    conduct_labubu_product_research_with_scoring()

运行脚本

在配置好你的环境并添加 API token 后，通过终端运行脚本：

language Copy 
python3 labubu_research_script.py

脚本将执行以下操作：
  • 遍历所有预定义搜索词
  • 查询 Scrapeless Google 搜索 API
  • 输出每个查询的有机搜索结果数量
  • 将结果保存至 labubu_search_results.json

代码结构简介

以下是主要模块的快速说明：

  • search_google_with_scrapeless()：发送查询请求至 Scrapeless API
  • get_result_count()：返回匹配查询的总结果数
  • positive_queries() / negative_queries()：定义 Labubu 的情绪关键词
  • conduct_labubu_product_research_with_scoring()：主函数，执行评分逻辑并输出汇总报告

搜索结果评分示例

以下是脚本运行后的一个示例输出（针对玩具类关键词）：

language Copy 
Searching for product: Labubu

Negative results found:
""Labubu broken"": 869
""Labubu defective"": 721
""Labubu not as pictured"": 29700000
""Labubu disappointed with"": 2
""Labubu waste of money"": 5

Positive results found:
""Labubu cute"": 473000
""Labubu adorable"": 44900
""Labubu well-made"": 5
""Labubu high quality"": 17700
""Labubu perfect gift"": 3130
""Labubu worth the price"": 2430
""Labubu love my"": 4570
""Labubu recommended"": 375

Negative markers: 5
Positive markers: 8
Score: 3

在此模型中，得分 `0` 表示情绪平衡；正数表示用户评价较好，负数则代表存在顾虑。你还可以通过以下方式优化打分逻辑：
  • 关键词权重影响
  • 对片段执行情绪分析
  • 分类聚类结果

借助 Scrapeless 实现自动化监测，你将拥有实时追踪市场反馈的能力 —— 这对于产品团队与营销团队至关重要。

结语

产品调研不必再依赖繁琐的人力流程。有了 Scrapeless，你可以：

  • 自动化收集网页数据
  • 精准获取你想了解的内容
  • 实时掌握用户情绪与市场动态

🧪 开始构建你自己的产品调研流程： Scrapeless Google Search API

在Scrapeless，我们仅访问公开可用的数据，并严格遵循适用的法律、法规和网站隐私政策。本博客中的内容仅供演示之用，不涉及任何非法或侵权活动。我们对使用本博客或第三方链接中的信息不做任何保证，并免除所有责任。在进行任何抓取活动之前，请咨询您的法律顾问，并审查目标网站的服务条款或获取必要的许可。

最受欢迎的文章

Scrapeless Deep SerpApi：最快用于SEO、大型语言模型和RAG的谷歌搜索数据API

Scrapeless Deep SerpApi 已上线。了解更多关于这个强大工具的信息。

Alex JohnsonAlex Johnson
05-Mar-2025
deep serp api

Scrapeless：智能网页抓取工具包正式发布——开启数据抓取新时代！

Scrapeless 全球上线！它是一款先进的网页抓取解决方案，旨在帮助企业以速度、智能和稳定性简化数据采集。

Alex JohnsonAlex Johnson
06-Jan-2025
Scrapeless——开启数据抓取的新时代！

如何在进行网页抓取的时候避免受阻

如果您也试图避免在网页抓取的时候受阻，那么下面所提供的信息肯定会让您满意。

James ThompsonJames Thompson
03-Sep-2024
进行网页抓取
目录