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
$ |% [0 B# i) O; K1 e2 S. L* c. v
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
7 I1 T. i7 B) k$ R7 a9 z' p
' e- F! ~% i# K' X  Q, h

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
   . |! I3 L# x( v
2. Accept-Encoding: identity
   1 E% |. \" @8 }+ F  D( Q; R
3. Accept-Language: en-us,en;q=0.5
   : N7 Y, J( C$ b. k
4. Dnt: 1
   : O0 Y% U# F* G5 Z5 R( Z- }! o
5. Connection: close
   
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
   
7. User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:15.0) Gecko/20100101 Firefox/15.0
   6 m' j7 [1 x# v+ N
8. Host: www.amazon.com
   ! G; q( A3 ^* C# u$ F# e7 t* P' y- F7 ?# N
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
* D7 v( R8 o* a& Z* K& r% G" M你要采集哪些信息呢？是自己写的程序还是用其他软件？
2 b# ]( [; s8 {% t8 B/ [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。
2 q, Q" w7 ~. X0 u' [( X/ U4 o
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
. X+ i2 d$ w- z4 x# u: e& B, [& H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 S( w: f5 ~& o
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

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

7 I! m8 w0 g% t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
, {+ d* ]' z, X+ i同一个产品也返回不同的模板,应该不会吧

5 Z( E$ _* }4 Y6 g8 V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
: [2 G7 v1 J( T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。 ...

, {# ^+ s/ s0 v! d7 i  m4 a有几个规则不好处理，如果加上了效率反而比while还低