【从零开始学爬虫】采集京东商品信息

前嗅大数据

关注

发布于: 3 小时前

l 采集网站

【场景描述】采集京东电视分类中的所有商品信息。

【使用工具】前嗅 ForeSpider 数据采集系统，点击下方即可免费下载

ForeSpider爬虫软件

【入口网址】https://list.jd.com/list.html?cat=737,794,798&ev=4155_97865&sort=sort_rank_asc&trans=1&JL=3_%E7%94%B5%E8%A7%86%E7%B1%BB%E5%9E%8B_%E5%85%A8%E9%9D%A2%E5%B1%8F#J_crumbsBar

【采集内容】采集亚马逊搜索关键词搜索出来的商品信息，包括商品名称、价格、店铺和商品链接。

【采集效果】如下图所示：

l 思路分析

配置思路概览：

l 配置步骤

一. 新建采集任务

选择【采集配置】，点击任务列表右上方【+】号可新建采集任务，将采集入口地址填写在【采集地址】框中，【任务名称】自定义即可，点击下一步。

选择普通翻页，点击完成按钮，即创建任务完成。

二. 商品翻页链接获取

1.在浏览器中点击第二页，第三页和第四页的翻页，将翻页链接复制出来，观察链接规律。

发现翻页链接规律为：

https://list.jd.com/list.html?cat=737%2C794%2C798&ev=4155_97865%5E&pvid=ebb0e3c519de4f649049b645a6598eed&page=+2*页码-1+&s=+5+(页码-2)*6+7&click=0

2.打开刚才新建的模板任务，选中翻页链接，打开脚本窗口，新建一个脚本。

3.根据刚才发现的翻页规律，用脚本来拼翻页链接。具体如下所示：

脚本文本：

url u;//定义一个urlfor(var i=1;i<=10;i++)//i表示页数，此时表示采集1-10页商品数据{     var a=2*i-1;//定义a为2*页数-1     var b=5+(i-2)*6;//定义b为5+(页数-2）*6     u.urlname = "https://list.jd.com/list.html?cat=737%2C794%2C798&ev=4155_97865%5E&pvid=ebb0e3c519de4f649049b645a6598eed&page="+a+"&s="+b+"7&click=0";//根据翻页规律拼出翻页请求     u.title = URL.title+"#"+"第"+i+"页";  //返回链接名称为第i页     u.entryid = CHANN.id;     u.tmplid = 2; //关联模板2     RESULT.AddLink(u);}

复制代码

4.采集预览，复制任意一条翻页，在浏览器中打开，看是否为该页内容。

三.商品数据抽取

1.新建模板 02，在模板 02 下建一个数据抽取，具体操作如下图所示。

2.数据建表

点击图中加号，新建一个数据表，然后添加字段，各字段属性如下图所示：

3.将新建好的数据表，关联到模板中去，如下图所示:

4.字段抽取

字段抽取使用脚本抽取的方法，在数据抽取模板中新建一个脚本窗口。

5.采集预览，复制一条翻页的链接，在浏览器中打开。

6.点击 F12，点击指针(源码框左上角)，让指针指到第一个商品处，在右侧源码中找到对应位置。

经观察发现，每个商品的内容在 class 为【gl-warp clearfix】的节点下的每个 name 为【li】的节点中。

打开第一个商品的源码，发现 class 为【p-price】节点中有商品的价格，class 为【p-name p-name-type-3】节点中有商品的名称和 url，class 为【p-shop】节点中有商品的店铺名。

价格位置如下图所示：

商品名称和 url 位置如下图所示：

商品店铺名位置如下图所示：

7.根据以上观察，编写数据抽取脚本，具体如下图所示：

脚本文本如下所示：

record re;//定义一个数据返回类型var orders = DOM.FindClass("gl-warp clearfix","ul");//定义orders为class为【gl-warp clearfix】的节点var order=orders.child;//定义order为orders的子节点，即第一个name为【li】的节点while(order)//写一个循环，获取所有name为【li】的节点{      var pri=DOM.FindClass("p-price","div",order).child;//定义pri为order节点下的class为【p-price】节点的子节点      var ti=DOM.FindClass("p-name p-name-type-3","div",order);//定义ti为order节点下的class为【p-name p-name-type-3】节点      var sho=DOM.FindClass("p-shop","div",order).child;//定义sho为order节点下的class为【p-shop】节点的子节点      re.tit = DOM.GetTextAll(ti.child.child);//返回tit值为ti节点的子节点的子节点中的所有文本内容      re.price = DOM.GetTextAll(pri);//返回price值为pri节点中所有文本内容      re.shop = DOM.GetTextAll(sho);//返回shop值为sho节点中所有文本内容      re.url_ = ti.child.href;//返回url_值为ti节点的子节点的href值      RESULT.AddRec(re,this.schemaid);//返回以上数据      order = order.next;//定义order为order下一个节点，即下一个name为【li】的节点}