手把手教你寫電商爬蟲-第一課 找個軟柿子捏捏

話說如今基本上你們都在網上買東西，國家經濟數據已經能夠在網絡購物的數據中略微窺見一二，再加上目前B2B行業的持續火爆，大有把全部交易搬到網上來的趨勢，這個系列教程就來說講若是爬取這些大量的電商交易的數據。

工具要求：教程中主要使用到了 一、神箭手雲爬蟲框架 這個是爬蟲的基礎，二、Chrome瀏覽器和Chrome的插件XpathHelper 這個用來測試Xpath寫的是否正確
基礎知識：本教程中主要用到了一些基礎的js和xpath語法，若是對這兩種語言不熟悉，能夠提早先學習下，都很簡單

教程正式開始，如今電商網站不少，牛逼哄哄的淘寶京東，新晉貴族惟品會聚美優品 海淘的美麗說higo網易惠惠等等，做爲新手，上來打boss的結果一定是灰屏回家，因此 咱們如今新手村附近找個小弟練練級吧。

找小弟也要有找小弟的辦法，咱們就去it橘子上看看有沒有什麼新的電商公司試試，找了一圈，就相中了這個切糕王子，名字霸氣，內容簡單，很是適合咱們這種新手練手，掌握一下基本技能。

那咱們就正式開始，首先，咱們打開切糕王子的商品列表頁

http://www.qiegaowz.com/product/Default.html

只有5款商品，果真是互聯網思惟，爆品邏輯。頓時讓咱們有種用大炮大蚊子的趕腳，寫個爬蟲的時間，不如手動複製了。不過，誰讓咱們是程序員呢？手動複製這麼low的事情說出去都丟不起這我的。

開始前先給你們普及一下爬蟲的基本步驟:

1.選定入口url，也叫種子url，就是讓爬蟲從哪一個頁面開始爬
2.區分哪些是內容頁面，也就是咱們須要抽取數據的頁面，哪些是中間頁，就是鏈接其餘頁面，沒有咱們須要的數據的頁面
3.對內容頁寫抽取規則
4.開始爬蟲

好了，那咱們就開始了

第一步來：這個網站的入口url很簡單，就一個頁面

http://www.qiegaowz.com/product/Default.html

就是他了，也沒別人

第二步：內容頁面就是那5個商品的頁面

http://www.qiegaowz.com/product/5ee97997-1700-4d19-b93a-6bd7c930fefe.html
http://www.qiegaowz.com/product/ccdf1d03-58da-48a9-bfd2-d9c403b56c98.html
http://www.qiegaowz.com/product/1f44feec-751a-4656-9e42-ec1cb7d8dee6.html
http://www.qiegaowz.com/product/83106246-d38e-42da-a0a4-2289f699b066.html
http://www.qiegaowz.com/product/a723b3cc-91f0-495f-b7b8-792b4470a6e6.html

神箭手框架裏是將內容頁用正則表達式來限制的，那沒這幾個頁面統一一個正則的話就是

http://www\\.qiegaowz\\.com/product/[0-9a-z]{8}-[0-9a-z]{4}-[0-9a-z]{4}-[0-9a-z]{4}-[0-9a-z]{12}\\.html

什麼？有人以爲這個太難了，那咱們能夠再簡單一點：

http://www\\.qiegaowz\\.com/product/.{36}\\.html

特別提醒，在正則表達式中，"."和"?"這個字符是須要轉義的，這些千萬不能寫錯了。

中間頁的話，就是http://www.qiegaowz.com/product/Default.html，轉換成正則的格式：

http://www\\.qiegaowz\\.com/product/Default\\.html

第三步：咱們打開其中一個商品的頁面

發現整個頁面沒啥內容，咱們就勉強來分紅三個部分吧，分別是 縮略圖，商品名稱，內容

先看縮略圖：咱們用chrome打開，並打開開發者工具：

根據html的層級結構，主要找class和ID的節點，咱們能夠看到咱們這個圖片的本身的標籤是img標籤，沒有什麼特別的屬性，那沒看他的父標籤，

是<div class="showpic"> 咱們來查一下發現這個showpic再整個頁面裏面出現了1次，那麼用這個showpic的class就能夠直接定位到這個圖片，xpath的寫法就是：

//div[contains(@class,'showpic')]/img/@src

簡單解釋下xpath，開始的兩個//表明着從根目錄開始不肯定過了多少級，若是是單/則表明是一級層級關係，class屬性的選擇咱們一般使用contains是爲了防止一個標籤有多個class，最後由於咱們要獲取的是圖片的地址，因此最終咱們要選取到src屬性，好了 咱們寫完以後 用xpathhelper檢測一下對不對

沒問題，另外兩個抽取項在這裏就不詳細解釋了，方式大同小異，直接放結果：

//div[contains(@class,'showpic')]/img/@src
//div[contains(@class,'showproduct')]/h1
//div[contains(@class,'shownewdes')]

OK，那麼到這裏，咱們爬蟲的準備工做已經作完了，根據神箭手框架的文檔，咱們將咱們的準備好的代碼組裝一下以下，

var configs = {  
    domains: ["www.qiegaowz.com"],  
    scanUrls: ["http://www.qiegaowz.com/product/Default.html"],  
    contentUrlRegexes: ["http://www\\.qiegaowz\\.com/product/.{36}\\.html"],  
    helpUrlRegexes:["http://www\\.qiegaowz\\.com/product/Default\\.html"],  
    fields: [  
        {  
            // 商品縮略圖  
            name: "thumbnail",  
            selector: "//div[contains(@class,'showpic')]/img/@src",  
        },  
        {  
            // 商品標題  
            name: "title",  
            selector: "//div[contains(@class,'showproduct')]/h1",  
        },  
        {  
            // 商品內容  
            name: "content",  
            selector: "//div[contains(@class,'shownewdes')]",  
        }  
    ]  
};  
  
start(configs);

到這裏就大功告成了，咱們將代碼複製神箭手後臺代碼中，保存並測試下，順利爬到數據。

不過還有一些遺留問題，如商品內容中有一些咱們不須要的內容，如何去掉，這個咱們能夠在後面的教程中詳細解釋。