手把手教你寫電商爬蟲-第二課 實戰尚妝網分頁商品採集爬蟲

系列教程

手把手教你寫電商爬蟲-第一課 找個軟柿子捏捏

若是沒有看過第一課的朋友，請先移步第一課，第一課講了一些基礎性的東西，經過軟柿子"切糕王子"這個電商網站好好的練了一次手，相信你們都應該對寫爬蟲的流程有了一個大概的瞭解，那麼這課我們就話很少說，正式上戰場，對壘尚妝網。

首先，向咱們被爬網站致敬，沒有他們提供數據，咱們更是無從爬起，因此先安利一下尚妝網：

經營化妝品時尚購物，大數據爲驅動，並依託智能首飾爲入口的新一代智慧美妝正品電子商務平臺。其創始團隊來自天貓、支付寶、歐萊雅、薇姿等互聯網公司和化妝品集團。

好吧，我很懶，直接從百度知道里抄過來的，不過不表明我沒有誠意。OK，言歸正傳，咱們先把咱們的工具包拿出來：

一、神箭手雲爬蟲框架，二、Chrome瀏覽器 三、Chrome的插件XpathHelper 不知道是幹嗎的同窗請移步第一課

古代戰士上戰場前，必須先好好的觀察對手，所謂知己知彼，百戰不殆。咱們先來觀察一下尚妝網

從首頁你們能看出什麼？說美女很美的，還有說美女表情很到位的同窗，大家能夠先回家了。

剩下的同窗，咱們繼續了：

可 以看出，做爲一個完善的電商網站，尚妝網有着普通電商網站所擁有的主要的元素，包括分類，分頁，主題等等。首先咱們要肯定咱們但願要爬取哪一類數據，固然 做爲爬蟲來講，所有爬下來不是不行，不過對於作實驗來講，就不必了。好，咱們假設：咱們要爬護膚裏的面膜品類全部商品，價格和銷量，至於爲何是面膜， 大家猜呢？

廢話太多了，咱們開始爬蟲三步走，跟着我再背誦一遍：一、選入口Url 二、限定內容頁和中間頁 三、寫內容頁抽取規則

一、選定入口url

這個簡單，找到面膜頁面的地址：http://list.showjoy.com/search/?q=cateIds%3A1,cateName%3A%E9%9D%A2%E8%86%9C

好，就是它了。

二、區份內容頁和中間頁

好，重點來了，尚妝網的列表頁面，是經過ajax動態加載了，這個怎麼實現呢？咱們先不着急，先看下內容頁

http://item.showjoy.com/sku/26551.html

http://item.showjoy.com/sku/100374.html

內容頁很簡單，咱們直接提取成正則表達式

http://item\\.showjoy\\.com/sku/\\d+\\.html

那麼列表頁呢？首先，第一個固然是：

http://list.showjoy.com/search/?q=cateIds%3A1,cateName%3A%E9%9D%A2%E8%86%9C

下一頁的連接是什麼呢？這個時候就須要藉助chrome瀏覽器的開發者工具，咱們打開工具，切換到network選項卡，向下滑動加載下一頁，能夠看到展現出的鏈接地址：

注意，能夠忽略掉png這些圖片的文件，直接看到下一頁的鏈接，咱們將連接複製出來：

http://list.showjoy.com/search/?q=cateIds%3A1,cateName%3A%E9%9D%A2%E8%86%9C&stock=1&page=4&_synToken=59a6c555b0947486769f35d010353cd5

看着好像很複雜，不過page我認識，其餘的能夠去掉嗎？咱們試一下訪問

http://list.showjoy.com/search/?q=cateIds%3A1,cateName%3A%E9%9D%A2%E8%86%9C&page=4

貌似正常打開，並且也能夠顯示不一樣的商品，就此咱們能夠看出來，這個ajax加載下一頁不過是一個紙老虎，根本沒什麼可怕的。咱們將這個提取成正則表達式，另外 值得注意的是，因爲咱們第一頁多是沒有page的，因此也須要考慮沒有page參數的狀況

http://list\\.showjoy\\.com/search/\\?q=cateIds%3A1,cateName%3A%E9%9D%A2%E8%86%9C(&page=\\d+)?

這裏再次提醒你們，注意正則的點和問好都是要轉義的，而且轉義須要兩個\，好，第二步大功告成。

第 三步：就是寫內容頁的抽取規則了，咱們就抽取商品名稱，評價數和成交數這三項數據吧，有人要問了，爲啥不要價格呢。我只能說，too young too native，你打開商品頁面的時候，有沒有注意到價格的地方也一個快速的異步加載。考慮到我們畢竟才第二課，並且剛剛還沒那個ajax搞得虎軀一震，差 一點把這節課改爲第三課，因此我們這裏先下降點難度，下一課我們用一節課的時間來探討下這個價格該怎麼提取。

根據前面課程教的方案，咱們一樣的方法，寫出xpath：

標題：//h3[contains(@class ,"choose-hd")]

評價：//div[contains(@class ,"dtabs-hd")]/ul/li[2]

成交記錄：//div[contains(@class ,"dtabs-hd")]/ul/li[3]

經過xpath helper進行驗證以後沒有問題，這樣咱們能夠組合代碼獲得下面的結果

var configs = {  
        domains: ["www.showjoy.com","list.showjoy.com","item.showjoy.com"],  
        scanUrls: ["http://list.showjoy.com/search/?q=cateIds%3A1,cateName%3A%E9%9D%A2%E8%86%9C"],  
        contentUrlRegexes: ["http://item\\.showjoy\\.com/sku/\\d+\\.html"],  
        helperUrlRegexes: ["http://list\\.showjoy\\.com/search/\\?q=cateIds%3A1,cateName%3A%E9%9D%A2%E8%86%9C(\\&page=\\d+)?"],//可留空  
        fields: [  
            {  
                // 第一個抽取項  
                name: "title",  
                selector: "//h3[contains(@class,'choose-hd')]",//默認使用XPath  
                required: true //是否不能爲空  
            },  
            {  
                // 第二個抽取項  
                name: "comment",  
                selector: "//div[contains(@class,'dtabs-hd')]/ul/li[2]",//使用正則的抽取規則  
                required: false //是否不能爲空  
            },  
            {  
                // 第三個抽取項  
                name: "sales",  
                selector: "//div[contains(@class,'dtabs-hd')]/ul/li[3]",//使用正則的抽取規則  
                required: false //是否不能爲空  
            }  
        ]  
    };  
      
    start(configs);

 

能夠看到在domains裏 我填入了三個域名，這裏是必定要注意的，由於他的列表頁和詳情頁的域名都不一致，所以須要把每個域名都寫進去。

好了，代碼運行正常，可是啓動任務以後發現，怎麼第二頁的內容沒有采集到呢？ 還有前面說的價格我們也採集不到，到底還能不能愉快的玩耍了呢？ 咱們第三課就給你們講講如何解決ajax頁面的url發現和ajax加載內容的提取。

對爬蟲感興趣的童鞋能夠加qq羣討論：342953471。