采集amazon经常返回不同的模板，求解决

阿百川 · 发表于 2013-5-14 17:55:44

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

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

河小马 · 发表于 2013-5-15 01:10:30

lz 给个request 看下

阿百川 · 发表于 2013-5-15 06:27:03

河小马发表于 2013-5-15 01:10 ' h0 Y2 w" r0 }; O5 X
lz 给个request 看下

GET http://www.amazon.com/gp/dp/B00BZ9NOUS HTTP/1.1) N+ |6 ^7 L- q0 n, ~- c
Accept-Encoding: identity
3 {5 j7 D9 D$ L# Q
Accept-Language: en-us,en;q=0.5% U. M! t* S* _/ k+ l$ X0 x
Dnt: 1
7 |% Z( E: H( V! ~: k* q" \
Connection: close
& J! z r" Q8 W# Q1 g8 C6 f
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8! V4 h# j1 ?! J& Y: }" J* d
User-Agent: Mozilla/5.0 (Windows NT 6.1; rv:15.0) Gecko/20100101 Firefox/15.06 W1 q% n" w$ W# `4 x$ U/ q
Host: www.amazon.com
' O, K/ H& A+ V2 b4 w1 U
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 · 发表于 2013-5-15 19:38:01

可能是useragent的问题.

阿百川 · 发表于 2013-5-15 19:51:43

goog1e 发表于 2013-5-15 19:38
: Y0 e) v* J: a可能是useragent的问题.

request已经包含ua了

joul · 发表于 2013-5-15 23:26:16

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 · 发表于 2013-5-16 06:56:50

joul 发表于 2013-5-15 23:26
" L& H L' W7 X, T你要采集哪些信息呢？是自己写的程序还是用其他软件？+ Q: p% U4 t' g9 ]
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 · 发表于 2013-5-16 07:36:48

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 · 发表于 2013-5-16 08:26:02

joul 发表于 2013-5-16 07:36 " t. N% _: M; y+ N6 _
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。+ E+ j' i+ t$ c8 c% D% E

% ^, r& x) ?+ F6 \# V j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 · 发表于 2013-5-16 09:09:32

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

感觉amazon在不断的调整前端设计

阿百川 · 发表于 2013-5-16 09:57:45

goog1e 发表于 2013-5-16 09:09 3 {3 ?6 e( e9 q E
同一个产品也返回不同的模板,应该不会吧7 j% u# d6 |9 I( R* _2 e9 p

0 D( C7 o9 A, A+ r2 r$ y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 · 发表于 2013-5-16 12:07:02

自己开发的API采集还是用的什么工具？

joul · 发表于 2013-5-16 12:15:08

阿百川发表于 2013-5-16 09:57
9 u1 ?8 C9 w" c! O v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 · 发表于 2013-5-16 12:19:02

阿百川发表于 2013-5-16 08:26
0 e! |0 s& _ ^$ J, |- Y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 · 发表于 2013-5-16 15:38:38

joul 发表于 2013-5-16 12:19
; g5 a: u% o. C) O, ?% Rwhile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

		自动登录	找回密码
密码			立即注册