3.1、苏宁百万级商品爬取 思路讲解 商品爬取

本章节是最重要,也是最复杂的章节,因为这里面涉及到的点比较多。直至我编码完成后,我还有几个问题没有解决,希望各位网友有好的思路可以提供给我,具体的问题在之后的描述中我会说明。

思路解析

如下图,我们可以得到当前商品的xpath路径 //*[@id="filter-results"]/ul/li
在根据第二张图我们又可以得到单独商品的价格,标题,链接地址等等信息
看上去好像非常的简单,其逻辑和商品类别爬取类似。首先得到所有的商品,然后循环,对实体类别,最后返回一个list列表就行。可是实际却并不是如此。我们接下去就对内容进行分析。

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
商品解析图1.png
3.1、苏宁百万级商品爬取 思路讲解 商品爬取
商品解析图2.png

问题1 所见非所得

我们首先来看俩张对比图,第一张图是我们请求当前页面会返回给我们的Html Document数据,我们之前做的爬取都是基于Document的爬取。在图1中我们去找寻第一个商品的价格,我们发现<em>标签中内容为空,这是为什么呢?
之后我们再来看第二张图,第二张图是F12通过开发者工具定位在第一个商品的价格,这时候我们发现,价格是存在的。
此时,我们就要开始提示了,是什么样子情况才会导致这种问题的产生。各位看客也可以想一想。
经过分析后,我们得出了结论
京东做了反爬处理,即不会把一些重要信息直接作为response返回,而且在网页加载结束之后,通过js在将对应的值赋值上去。
抽象来讲,用一个成语,画龙点睛。
先画好结构,最后赋值。这种在一定程度上能否对小白进行一些反爬虫,可是如果有点水平的人,我们通过分析f12的web请求,我们就可以发现,无非就是用了一个jsonp的方式,做了值的获取

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
所见非所得1.png

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
所见非所得2.png

上面我们说到苏宁用了jsonp的方法做了价格的获取,那么我们怎么查看呢,见图所示
分析我们得到,每次得到5个值,页面上一行也是5个商品。
所以他们的做法是,当每次鼠标向下移动,下一行商品出现的时候,执行一个jsonp方法,将对应的内容进行绑定

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
jsonp获取1.png
3.1、苏宁百万级商品爬取 思路讲解 商品爬取
jsonp获取2.png

那么我们又迎来了新的问题,这个jsonp的方法是通过什么样的规律生成接口获得数据的呢
我们取俩个案例进行分析,我们发现方法头和尾部都是标准jsonp的用法,那么只有中间的参数会有影响。
我们可以看到,参数由逗号分隔,参数形式总共有俩种

  • 参数1+下划线 000000010088601142_
  • 参数1+下划线+2+参数2 000000000617721823__2_0070137013

那我们开始对这俩种参数形式进行分析
参数1和参数2分别是什么?我们不妨大胆猜测一下,有没有可能是商品的唯一key
还有一点,如果是商品的唯一key,我们如何获取?

https://ds.suning.cn/ds/generalForTile/000000010044087492_,000000000688241235_,000000010044087493_,000000000144695267_,000000010073350865_,000000000610267239_,000000000132230908_,000000000192930418_,000000010526739331__2_0070207958,000000000624606189_-025-2-0000000000-1--ds0000000009487.jsonp?callback=ds0000000009487

https://ds.suning.cn/ds/generalForTile/000000000617721823__2_0070137013,000000000132236927_,000000000638993733_,000000010519041260__2_0070203680,000000010084257326_-025-2-0000000000-1--ds000000000588.jsonp?callback=ds000000000588

通过分析,我得到了结论,请大家看如下图红框圈出来的内容,我们发现也是俩中形式,一种是参数1+参数2 ,一种是参数1+0000000

example:
0000000000-10044087492
0070207958-10526739331

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
分析1.png

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
分析2.png

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
分析3.png

3.1、苏宁百万级商品爬取 思路讲解 商品爬取
分析4.png

我们可以通过打黄色标识的俩张图发现规律,页面上的内容和jsonp方法体组成的内容是相反的,所以我们需要在获取内容后,将顺序颠倒,然后按照规定的字符串长度进行拼接即可

上一篇:实例学习SSIS(四)-- 使用日志记录和错误流重定向


下一篇:在RHEL 6.5上静默安装Oracle 18c