标签：爬虫 电商 数据
系列教程：
手把手教你写电商爬虫-第三课 实战尚妆网AJAX请求处理和内容提取
老规矩，爬之前首先感谢淘宝公布出这么多有价值的数据，才让我们这些爬虫们有东西可以搜集啊，不过淘宝就不用我来安利了
广大剁手党相信睡觉的时候都能把网址打出来吧。
工欲善其事，必先利其器，先上工具：
1、神箭手云爬虫，2、Chrome浏览器 3、Chrome的插件XpathHelper 不知道是干嘛的同学请移步第一课
好了，咱们还是先打开淘宝网：
清新的画面，琳琅满目的商品，隐约感到的是前方是一场恶战：
淘宝这么多的商品，这么多的主题，到底从哪里开始呢？要不就女装了，别问我为什么，咱们先打开一个女装的列表页面：
https://s.taobao.com/list?q=%E5%A5%97%E8%A3%85%E5%A5%B3%E5%A4%8F
我们点击一下下一页看看连接：
https://s.taobao.com/list?q=%E5%A5%97%E8%A3%85%E5%A5%B3%E5%A4%8F&bcoffset=-4&s=60
看着好像不难，很简单，不过值得注意的是，我们把鼠标移到下一页可以看到连接本身并不是这个，这个是js处理的，这种情况类似前面我们遇到的尚妆网下一页，我们一会再说。
我们再看下详情页
https://item.taobao.com/item.htm?spm=a217f.7283053.1997524073.204.hEmtfc&id=527101625954&scm=1029.minilist-17.1.16&ppath=&sku=&ug=#detail
https://item.taobao.com/item.htm?spm=a217f.7283053.1997524073.209.hEmtfc&id=528697742170&scm=1029.minilist-17.1.16&ppath=&sku=&ug=#detail
看着比较简单，就直接提取成：
https://item\\.taobao\\.com/item\\.htm\\?.*
我比较懒，这个就先这样吧，然后我们来看看详情页我们需要抽取哪些信息，商品名称，价格自然不能少，这次再来一个新鲜的，就是缩略图列表，因为淘宝的商品不只有一个缩略图，因此需要爬取一个缩略图数组。
同样，用chrome开发者工具和xpathhelper对抽取项进行分析，看了一下结果，尝试过滤xhr，结果：
高手就是高手，在大量的请求中，找到响应的请求，相当的困难。不要紧，还记得我们上节课提到的核武器吗-JS渲染引擎，只要我们把JS渲染引擎打开，那么我们完全不用操心大量ajax请求的判断，当然他的问题是效率低一些，不过没关系，反正在云上跑嘛，睡一觉就好了。
在神箭手里调用JS渲染引擎的方式很简单，只需要一行代码设置既可：
configs.enableJS=true
好了，那我们现在可以无视ajax请求了，直接用chrome工具打开，直接提取：
//em[@id="J_PromoPriceNum"]
简单暴啦，然后高兴没有1秒钟，瞬间蒙逼，淘宝上的价格不仅有这种促销价格，还有价格区间，还有的是普通的价格，我的天的，这不是要人命吗~
没办法，再难也要硬着头皮上，目前来看，一共有两种价格的抽取方式，当然不排除有其他多种的情况，我们先对这两种分别写一下抽取规则：
//em[@id="J_PromoPriceNum"] //em[contains(@class,"tb-rmb-num")]
我们可以通过 | 这个来连接，表达不同页面的选取可以共存
//em[@id="J_PromoPriceNum"] | //em[contains(@class,"tb-rmb-num")]
不容易。我们再看看商品名称，这个相对简单：
//h3[contains(@class,‘tb-main-title‘)]/@data-title
最后，我们需要抽取图片的地址：
//ul[@id="J_UlThumb"]/li//img/@src
由于这一项存在多项，因此需要将该抽取规则的repeated字段设置成true
var configs = {
domains: ["www.taobao.com","item.taobao.com"],
scanUrls: ["https://www.taobao.com/go/market/nvzhuang/citiao/taozhuangqun.php"],
contentUrlRegexes: ["https://item\\.taobao\\.com/item\\.htm\\?.*"],
helperUrlRegexes: ["https://www\\.taobao\\.com/go/market/nvzhuang/citiao/taozhuangqun.php"],//可留空
enableJS:true,
fields: [
{
// 第一个抽取项
name: "title",
selector: "//h3[contains(@class,‘tb-main-title‘)]/@data-title",//默认使用XPath
required: true //是否不能为空
},
{
// 第二个抽取项
name: "price",
selector: "//em[@id=‘J_PromoPriceNum‘] | //em[contains(@class,‘tb-rmb-num‘)]",//默认使用XPath
},
{
// 第三个抽取项
name: "thumbs",
selector: "//ul[@id=‘J_UlThumb‘]/li//img/@src",//默认使用XPath
},
]
};
var crawler = new Crawler(configs);
crawler.start();
好了，虽然淘宝比尚妆网难的多，但是在我们拿出核武器之后，一切迎刃而解，回头我们在来处理下一页的问题，这里虽然和尚妆网不一样，但是整体的原理大同小异，就不一一解释，我们直接上代码：
var configs = {
domains: ["s.taobao.com","item.taobao.com"],
scanUrls: ["https://s.taobao.com/list?q=%E5%A5%97%E8%A3%85%E5%A5%B3%E5%A4%8F"],
contentUrlRegexes: ["https?://item\\.taobao\\.com/item\\.htm\\?.*"],
helperUrlRegexes: ["https?://s\\.taobao\\.com/list\\?q=%E5%A5%97%E8%A3%85%E5%A5%B3%E5%A4%8F.*"],//可留空
enableJS:true,
fields: [
{
// 第一个抽取项
name: "title",
selector: "//h3[contains(@class,‘tb-main-title‘)]/@data-title",//默认使用XPath
required: true //是否不能为空
},
{
// 第二个抽取项
name: "price",
selector: "//em[@id=‘J_PromoPriceNum‘] | //em[contains(@class,‘tb-rmb-num‘)]",//默认使用XPath
required: true //是否不能为空
},
{
// 第三个抽取项
name: "thumbs",
selector: "//ul[@id=‘J_UlThumb‘]/li//img/@src",//默认使用XPath
repeated:true
},
]
};
configs.onProcessHelperUrl = function(url, content, site){
if(!content.indexOf("未找到与")){
var currentStart = parseInt(url.substring(url.indexOf("&s=") + 3));
var start = currentStart + 60;
var nextUrl = url.replace("&s=" + currentStart, "&s=" + start);
site.addUrl(nextUrl);
}
return true;
};
var crawler = new Crawler(configs);
start();OK 大功告成，测试结果如下，由于开启的js渲染，所以爬取的速度比较慢，只能耐心等待了。
对爬虫感兴趣的童鞋可以加qq群讨论：342953471。
标签：爬虫 电商 数据
原文地址：http://11588735.blog.51cto.com/11578735/1774015
