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
: F9 ]) a  [9 n2 {4 e; K5 P4 W
4 u9 ?6 D7 ]/ ]) U! ^* e0 d2 e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
" A: d' ?! i' r, {  ^* ?
) r* |, _  t7 ?, j1 v

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
   
3. Accept-Language: en-us,en;q=0.5
   
4. Dnt: 1
     V$ ^, C. k5 i/ j
5. Connection: close
   
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
     `* b1 I- X- x  O" ]
7. User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:15.0) Gecko/20100101 Firefox/15.0
   ! h  f5 g$ f. z
8. Host: www.amazon.com
   . C2 h# L) P" K& `2 l) C" C
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。
9 g6 y  y# k5 z
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
- {6 }( u% p' o! L* 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。

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
) \6 d/ G4 L6 ~1 q1 u- j
: O# l* X+ n: P+ x7 D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  ~) m( t/ `, J* x9 G" N
感觉amazon在不断的调整前端设计

阿百川

goog1e 发表于 2013-5-16 09:09
3 m8 A6 @/ s. A/ L  p6 d2 f同一个产品也返回不同的模板,应该不会吧

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
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

1 s2 I' I! Z" q4 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
( j9 D! B7 Y3 O6 Xwhile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。 ...

, u, i" l0 q$ |有几个规则不好处理，如果加上了效率反而比while还低