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
7 w: i3 k, G' i3 Q6 B! _( y) q6 x
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
; R0 `" ?! @7 [. C+ r2 t( E

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
   * x8 `: X8 x  J  ~0 J: x: C
2. Accept-Encoding: identity
   8 E$ \7 P1 z; y  t: a( K5 g: {
3. Accept-Language: en-us,en;q=0.5
   
4. Dnt: 1
   2 l# M- ~0 c: n) _
5. Connection: close
   
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
   * F  L* @/ q5 I; {, |% `0 G7 u
7. User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:15.0) Gecko/20100101 Firefox/15.0
   ' a0 `" |" c8 U, ~& ~
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
, i; R+ D% j& ^1 M  O  s可能是useragent的问题.

' Y$ ^* E3 l) a3 T0 Mrequest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？
9 m1 X8 }& C, o, v- a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？
1 p" R# ]6 y2 c" p$ C* x" Y如果只是产品描述、图片、review之类的，我觉得还行 ...

! P- m2 Z, p+ ^9 E( v; z. ~; t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。

* x# A# x! v6 V  y; m! Y* N& a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
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。
5 v$ M+ V2 L' \( n) D$ |1 i
. D* w5 ?2 n% A+ ?; k8 C+ {我一般是对那些模板变更了的产品直接跳过，比 ...

& T# M) d( T% {. R6 @8 d) \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
$ g; }: K& d6 d$ c. ?
& [, N9 _6 d: `不同类别的商品模板相差很大的
0 X- m  `0 u1 ]* i. B比如图书和衣服类的商品
% h' @' N8 j: n1 D( h
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
同一个产品也返回不同的模板,应该不会吧

- q7 J8 a7 U5 ]8 I6 q2 c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
+ f1 R: W, F7 F3 G4 ?% ?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
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