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

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
% Z1 E' m$ y' [7 q. t

河小马

lz 给个request 看下

阿百川

河小马 发表于 2013-5-15 01:10
, o$ j0 D% Q7 K/ Xlz 给个request 看下

1. GET http://www.amazon.com/gp/dp/B00BZ9NOUS HTTP/1.1
   
2. Accept-Encoding: identity
   * ^9 {1 Z% n' n% X
3. Accept-Language: en-us,en;q=0.5
   
4. Dnt: 1
   
5. Connection: close
   
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
   / q& ~& \0 ]8 R* ?
7. User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:15.0) Gecko/20100101 Firefox/15.0
   
8. Host: www.amazon.com
   * \1 y3 {1 ?3 F& X
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
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？
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
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。

6 N1 N& Y5 A. k9 ^9 i& ]; q, j1 M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
( ~9 Q* j( T7 X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。

  Q3 {' n6 X' v% X5 l我一般是对那些模板变更了的产品直接跳过，比 ...

% r  g" L0 v8 |) @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
( J/ w* V# f# X) L+ a( {5 [
" ^+ Q, L. X; {, [' u不同类别的商品模板相差很大的
+ m# h4 Z9 X2 p- h比如图书和衣服类的商品

$ b( R' \& y3 N1 ?) G) ], y感觉amazon在不断的调整前端设计
7 ^3 ~+ T. d, D. {4 A

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

; s% C" G2 J/ @2 J2 p4 N$ J9 b不同类别的商品模板相差很大的

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
; S5 V- Q. M* d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

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
) Y9 i- g' h1 M8 z9 w* J4 v  j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

6 Z/ G5 F; ~# V' F& x7 m* a) Fwhile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
! H. d) [- e) g! y. m: zwhile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。 ...

; L. \& D5 }7 Z; i! i. g3 m6 y有几个规则不好处理，如果加上了效率反而比while还低