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
& j6 o* }- F& l, T, {. `& Q  {' U
: y$ S0 B9 e7 c8 ^( G2 }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
/ D+ Z2 {- Q# W
0 ^7 D5 x2 ?. Z% Q

河小马

lz 给个request 看下

阿百川

河小马 发表于 2013-5-15 01:10
' `  r5 |7 A! _: `" N: @+ ulz 给个request 看下

1. GET http://www.amazon.com/gp/dp/B00BZ9NOUS HTTP/1.1
   
2. Accept-Encoding: identity
   : Z: G" K" A& t( C# y# I* f2 t
3. Accept-Language: en-us,en;q=0.5
   
4. Dnt: 1
   
5. Connection: close
   + o) g( I4 f4 X% j) z: G% }
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
   # c, N! U/ k. q0 F- ~% C
7. User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:15.0) Gecko/20100101 Firefox/15.0
   - s: B% _) X' j# l( i4 t1 b+ T
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
  e4 e2 o( Q! I- I" g" g1 s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？
2 j: H# t& p: \: b& T# d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。
# I  S4 S. [$ I5 V/ Z1 }
+ D( j. c  l, t2 x5 s! E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
  T' }1 i/ \* |# Y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。

2 p" F  T+ e% x0 w我一般是对那些模板变更了的产品直接跳过，比 ...

" T/ n5 F$ _4 l$ \; p) ~/ O3 ~' ]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

* T4 `$ V# W2 ~& |2 I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
) q: [& i6 t" l  E
感觉amazon在不断的调整前端设计
1 g2 ^4 a: P4 O& i- g9 z% y

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
3 Y* ]5 G8 \  I% H& s% W8 K! j
9 y# Y5 [* p$ K4 `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
* _2 ^5 s# \6 P  \- N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
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

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。

阿百川

joul 发表于 2013-5-16 12:19
3 j( t2 o! j+ G, `0 ]/ mwhile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。 ...

& r7 U, `" A* V有几个规则不好处理，如果加上了效率反而比while还低