采集amazon经常返回不同的模板，求解决

阿百川

使用amazon的api采集一些数据不全，现在想通过直接采集页面获得
( `* [9 |* @, a% D) G/ N
但测试过程中经常碰到同样的request却返回不同的数据，求教原因

河小马

lz 给个request 看下

阿百川

河小马 发表于 2013-5-15 01:10
lz 给个request 看下

1. GET http://www.amazon.com/gp/dp/B00BZ9NOUS HTTP/1.1
   
2. Accept-Encoding: identity
   $ @$ E. [2 n8 F# E0 u0 W% o/ g
3. Accept-Language: en-us,en;q=0.5
   ( p& B) @  o: t4 ?
4. Dnt: 1
   
5. Connection: close
   
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
   / Z8 o0 q. ~. _( b
7. User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:15.0) Gecko/20100101 Firefox/15.0
   
8. Host: www.amazon.com
   
9. Cache-Control: max-age=0

复制代码

直接是浏览器没碰到锅，但提交request就来回换

goog1e

可能是useragent的问题.

阿百川

goog1e 发表于 2013-5-15 19:38
: k( u2 ~- q& Q* o" D9 S6 W可能是useragent的问题.

request已经包含ua了

joul

你要采集哪些信息呢？是自己写的程序还是用其他软件？
$ W) t( G3 k3 l如果只是产品描述、图片、review之类的，我觉得还行吧，C#的HtmlAgilityPack应该可以搞定。

阿百川

joul 发表于 2013-5-15 23:26
) t$ v* V6 ]8 s你要采集哪些信息呢？是自己写的程序还是用其他软件？
如果只是产品描述、图片、review之类的，我觉得还行 ...

各种数据很容易采，关键是经常变换模板，偶尔一些模板还需要翻页才能采集

joul

可能我还没到你这种采集级别吧，呵呵。要么就是采集太少了。

7 t) L6 w! ?# q/ [, c我一般是对那些模板变更了的产品直接跳过，比如id读不到之类的，呵呵

阿百川

joul 发表于 2013-5-16 07:36
' K1 U) y- r7 ~& Y+ g6 T6 s" j; P可能我还没到你这种采集级别吧，呵呵。要么就是采集太少了。

我一般是对那些模板变更了的产品直接跳过，比 ...

直接加了while，多读取几遍，符合采集规则的再继续，就是有些影响效率

goog1e

同一个产品也返回不同的模板,应该不会吧
$ m$ s" c; t  K& D2 _
6 A- e8 \# k. B5 G不同类别的商品模板相差很大的
比如图书和衣服类的商品

. r5 {; z  v( e/ D8 y感觉amazon在不断的调整前端设计
) ?! h7 e: n- P

阿百川

goog1e 发表于 2013-5-16 09:09
同一个产品也返回不同的模板,应该不会吧

: Y2 C4 w* e$ `不同类别的商品模板相差很大的

, G6 \: [" G+ B最简单的价格，html代码一般是<td id=price>价格</td>，偶尔的<td id=price><strong>价格</stron></td>，还有其他复杂的没记住

Atrus

自己开发的API采集 还是用的什么工具？

joul

阿百川 发表于 2013-5-16 09:57
# k) S9 \8 d( |. A最简单的价格，html代码一般是价格，偶尔的价格，还有其他复杂的没记住

- v% v: k( }: R; L: h; l8 w如果只有这类问题，可以考虑用InnerText来采，不用InnerHtml。我建议把数据本地化，再读出来，事先定义好模板再组合成页面。对于产品而言，变动频繁的估计就是价格了，可以考虑每周/每月更新一次数据。

joul

阿百川 发表于 2013-5-16 08:26
直接加了while，多读取几遍，符合采集规则的再继续，就是有些影响效率

0 y# g/ q6 b& uwhile多了确实影响效率，可以考虑后面搞多个采集规则模板，一旦变了，就加上这个规则，程序上做轮询。

阿百川

joul 发表于 2013-5-16 12:19
6 q% n8 H  `' h* S- y; L% d2 u0 F4 ?while多了确实影响效率，可以考虑后面搞多个采集规则模板，一旦变了，就加上这个规则，程序上做轮询。 ...

有几个规则不好处理，如果加上了效率反而比while还低