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

  w& j- L8 E) i( v9 |) k' i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' y. o) ~; t' c% N

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
   6 e, A% v  @  ~5 h, Y
5. Connection: close
   2 I' z* B/ i7 l* ]3 C5 K" y
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
   & s, S' |" D  y5 K* Z$ d
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
( [! C$ K  N2 k; A$ R8 J/ f4 D可能是useragent的问题.

$ p9 m) u  b; E" n: @1 krequest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 D; n7 f7 ]2 [+ k: x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 ...

$ h) f3 d2 v1 s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。

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 ?; `$ M, p2 e9 T3 i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 ...

, I$ t- t! u' b  E7 w) t1 @; E9 Q2 u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

4 E2 e) n2 R$ N9 P9 W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

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

9 J. g( ^7 u- D% }+ }! @不同类别的商品模板相差很大的

/ X0 @( q# N" L, V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
" y( c5 \1 A, p& q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

$ c2 N1 i9 K  c, g( ~" gwhile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
/ h3 {, o& s! Q8 u; r( x$ `( c8 {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。 ...

) `+ o. y# S, o/ h" x有几个规则不好处理，如果加上了效率反而比while还低