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

& @  z. |8 Q  z' |. n% r, \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

2 k. ]8 d. U2 m% e& a

河小马

lz 给个request 看下

阿百川

河小马 发表于 2013-5-15 01:10
& q1 c8 I/ h! j) c8 {, C7 glz 给个request 看下

1. GET http://www.amazon.com/gp/dp/B00BZ9NOUS HTTP/1.1
   $ a) K* F& e* \4 ^. i' H
2. Accept-Encoding: identity
   
3. Accept-Language: en-us,en;q=0.5
   
4. Dnt: 1
   
5. Connection: close
   , R% `3 h1 `3 ]) l2 z
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
   
8. Host: www.amazon.com
   4 I6 S8 g0 t) F' L" L
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
4 U# W- s/ G4 n5 {' \5 l可能是useragent的问题.

' s) |1 P) x- \5 Grequest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？
% r5 e8 [( f0 Q- E; 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
7 l& @7 a/ W, v; p7 [, n你要采集哪些信息呢？是自己写的程序还是用其他软件？
9 g  ^. @, Q( W1 C' `! a, H. i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。

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。
/ P1 z) {$ U0 s3 ~: ^8 C; C
* X# Q! k7 i6 y" b. f; n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

$ k% a- |' Q) a' E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
$ ]* x& i  D7 I' t4 N: |4 I( K
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
! t3 O  {/ r& j9 ^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。 ...

  J% \! K1 E  }& o# M有几个规则不好处理，如果加上了效率反而比while还低