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

# S2 a: m! i0 R3 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

/ J( n% Q* Y# D5 ]4 x3 F" z

河小马

lz 给个request 看下

阿百川

河小马 发表于 2013-5-15 01:10
$ I$ X" [9 B# |  s+ k, @( G! Tlz 给个request 看下

1. GET http://www.amazon.com/gp/dp/B00BZ9NOUS HTTP/1.1
   0 |/ J, ?7 u6 ?5 z" E
2. Accept-Encoding: identity
   9 `0 Z9 G) \7 J
3. Accept-Language: en-us,en;q=0.5
   
4. Dnt: 1
   8 U' I. D6 S8 W: l% c* n# c! x
5. Connection: close
   
6. Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8
   , f! X6 p3 d/ W& f  u: ^3 m4 H$ }1 R, {
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
9 G0 I1 z1 p8 w/ W% M* k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 ...

) K6 w- X5 T7 H% X- ^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。

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

9 a9 X, n0 F' P" Z; m9 s- z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
5 w* j! h7 J, x; J7 M* \) ]
感觉amazon在不断的调整前端设计
$ G) ^3 k  q* S

阿百川

goog1e 发表于 2013-5-16 09:09
5 r0 n1 g( G9 ^) _' e5 y; M$ ]同一个产品也返回不同的模板,应该不会吧
. O" H8 z$ T/ E
  s1 q% o6 Z! @不同类别的商品模板相差很大的

- L* L; b1 t# w& G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
" G8 V8 g5 G/ T* S( ^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

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