# 基于 30 天规则的黑五价格追踪

> URL: https://foura.ai/zh/blog/black-friday-price-tracking-30-day-rule
> Updated: 2026-11-03
> Index: https://foura.ai/llms.txt

2026年3月，来自23个欧盟国家以及冰岛和挪威的消费者监管机构公布了他们对“黑色星期五”和“网络星期一”促销活动的审查结果：在抽检的314家网上商店中，有30% [存在不合规引用折扣的情况](https://www.ccpc.ie/news-and-media/news/article/2026/03/26/investigation-by-ec--ccpc-and-european-consumer-authorities-finds-1-in-3-traders-incorrectly-display-discounts-online-during-black-friday-sales)。这些商店违反的规则其实只有一句话。但要核实违规行为，所依赖的数据必须在促销开始前一个月就启动收集。

## 面临的挑战

根据欧盟《价格指示指令》（Price Indication Directive），宣布降价的商店必须以过去30天内执行过的最低价格作为基准参考价。《综合指令》（Omnibus Directive）于2019年增加了该规定，各商店自2022年起必须遵守。今年的“黑色星期五”是11月27日，这意味着决定黑五“原价”是否真实的观测窗口早在10月28日就已开启。等到促销横幅挂出才启动的跟踪程序，整整晚了一个月。

欧盟委员会基于 Apify 构建的自主监控系统，在2022年黑五排查中覆盖了176家商店的16,000款产品，[到2025年10月已协助审查了来自1,556家零售商的136,931款产品](https://blog.apify.com/how-web-scraping-ai-and-the-eu-have-come-together-to-sweep-away-fake-discounts-in-europe/)。该系统收集了促销期间及前30天的价格，并保存了每个页面的截图作为证据。Oxylabs 在2024年针对美国市场进行了类似监测：从8月13日起，它[每小时跟踪61,172款产品](https://oxylabs.io/blog/oxylabs-research-on-fake-discounts-are-shopping-events-worth-the-deal)，其中只有4,529款产品既在黑五当天促销，又满足其研究方法所需的连续上架90天要求。商品列表的更迭流转速度远超大多数人的预估。

但难点并不在于规模，而在于统计指标本身。

参考基准价是一个极小值，而极小值完全由单次观测决定。均值可以忽略某一天的数据异常，但极小值*就是*异常本身。正因如此，爬虫发生错误的两种情形都会彻底扭转判定结果：

- **漏采某一天会掩盖真实低价。** 恰好在价格下调的那一天，页面返回了质询拦截页、Cookie 同意弹窗或请求超时。这导致你计算出的最低价高于实际真实值，从而使虚假折扣蒙混过关。
- **误读价格会凭空捏造出低价。** 你的解析器错误抓取了“起价”、会员价、其他变体或轮播栏中的配件价格。这导致你计算出的最低价低于实际真实值，从而将合规的真实折扣误判为违规伪造。

降价可能很短暂。在 [2025 年黑色星期五研究](https://www.which.co.uk/policy-and-insight/article/dont-believe-the-hype-most-black-friday-deals-the-same-price-or-cheaper-at-other-times-of-the-year-which-finds-a3TbD5x5KADs)中，Which? 对英国八家零售商的 175 种商品追踪了一年：83% 的商品在四周促销期之外至少有一次持平或更低的价格，其中一款受追踪的电视机在黑色星期五次日短暂从 1,039 英镑降至 999 英镑。（英国有自己的规则，但对爬虫来说，单日降价的表现完全相同。）

对折扣网站而言，第一类错误会损害公信力。对监管机构、消费者权益组织或新闻编辑室而言，第二类错误则意味着诬陷零售商。

## 处理方式：缺失就是缺失

你需要一个绝不把失败抓取转化为数值的采集层，以及一个拒绝在存在数据空缺的时间窗口内给出判断的计算逻辑。我们在 [另类数据：当拦截被误判为有效数据](https://foura.ai/blog/alternative-data-silent-collection-gaps) 中讨论过错误抓取如何变成虚假信号；30 天最低价则是该问题最不容容错的场景。

借助 FourA 这样的平台，涉及的核心组件并不复杂：

- **读取页面前先完成校验。** `validate` 接收一个仅目标商品页面包含的字符串，例如商品自身的货号。验证码页面、“商品未找到”页面或 Cookie 同意弹窗都会直接返回失败调用，由于 [由你的规则决定何为成功](https://foura.ai/blog/validate-decides-success)，因此这类调用[不会计费](https://foura.ai/docs/api/outcomes)。你的数据行记录的是空缺，而不是错误的价格。
- **保留凭证。** 响应中包含 `X-FourA-Request-Id`。将其与价格、时间戳以及原始 HTML 一同存储。我们的 Activity 日志仅保留 24 小时的 request 预览，因此证据归档必须保存在你这一侧。
- **针对不同商店选择合适的 endpoint。** Single 处理服务端渲染的商品页面。Browser 适用于通过 JavaScript 生成价格的商店。带 `exitCountries` 的 Proxy Finder（若你的方案包含国家定向）可覆盖价格因访问者所在国家而异的商店，这与我们在 [门店级杂货价格](https://foura.ai/blog/grocery-price-scraping-store-shopper)中遇到的问题类似。

```python
import datetime as dt
import requests

API = "https://eu.api.foura.ai/api/single/"
HEADERS = {"X-API-Key": "pk_live_..."}

def observe(product, parse_price):
    """One observation. A failed fetch is a gap, never a price."""
    r = requests.post(API, headers=HEADERS, json={
        "method": "GET",
        "url": product["url"],
        "validate": {
            "status": {"accept": [200]},
            "data": {"accept": [product["article_no"]]},
        },
    })
    body = r.json()
    row = {"day": dt.date.today(), "url": product["url"], "price": None,
           "request_id": r.headers.get("X-FourA-Request-Id")}
    if r.status_code == 200 and not body.get("error"):
        row["price"] = parse_price(body["data"])  # None when it isn't sure
        row["html"] = body["data"]                # the evidence
    return row

def prior_price(rows, sale_day, days=30):
    start = sale_day - dt.timedelta(days=days)
    priced = [x for x in rows
              if start <= x["day"] < sale_day and x["price"] is not None]
    if len({x["day"] for x in priced}) < days:
        return None  # a missing day can hide the lowest price
    return min(x["price"] for x in priced)
```

`prior_price` 返回 `None` 是该文件中最有用的一行。无法核验的折扣会进入“无结论”列表，并标明缺失的日期。我们宁愿交付一份带有该列表的报告，也不愿交出一份言之凿凿却完全错误的报告。

还有两项决策应该在促销前做出，而不是促销期间。第一，针对价格变动频繁的品类，每天采样不止一次；Oxylabs 每小时查看一次是有原因的。第二，采集周期要早于 30 天。规则只回溯该时间段，因此在窗口期开启前刚刚调高并一直维持到促销的价格，在规则中是不可见的。这是否属于误导消费者，取决于《不公平商业行为指令》和律师的界定。但你是否能证明这一现象确实发生过，则是一个数据问题，只有更长的历史记录才能给出答案。

## 结果

基于上述方案的示例场景：某消费者组织从 10 月 1 日到网络星期一，对 3 个国家的 40 家店铺中的 2,000 款产品进行核查，每天两次。

- **244,000 条观测数据，** 每条数据都与其 request id 和原始页面一同存储。
- **价格列中零挑战页面。** 每一行数据要么通过了产品校验，要么标记为明确的数据缺失。
- **三种结论，而非两种。** 折扣判定为违规、合规或“无结论”，第三种会列出缺失的具体日期。
- **附带证据。** 每一个被标记的交易都会附带其 30 天最低价背后的时间戳和页面。
- **窗口期前的涨价一目了然。** 8 周的历史记录能清晰展现某个价格在 10 月 28 日之前上涨并在 11 月 27 日“跳水”。
- **免费填补缺失。** 被拒绝的拉取不计费，因此同日重试仅收取成功调用的费用。

## 核心要点

大多数爬取管线的构建目标是平均值准确，而平均值往往掩盖了误差。但 30 天规则要求的恰恰是管线最不擅长处理的数据：极值。只要虚构了一个低点或漏掉了一次降价，判定结果就会彻底反转。

因此，折扣核查工具的标准不是“大体准确”。而是“绝不虚构低点，绝不遗漏低点，无法确定时如实说明”。一月大促的窗口期在圣诞节前就已开启，这意味着下一次判定的计时已经开始。
