手把手教你写电商爬虫-第一课找个软柿子捏捏

source 发布于2019-07-25 10:22 / 3269人阅读

摘要：找小弟也要有找小弟的办法，我们就去橘子上看看有没有什么新的电商公司试试，找了一圈，就相中了这个切糕王子，名字霸气，内容简单，非常适合我们这种新手练手，掌握一下基本技能。

话说现在基本上大家都在网上买东西，国家经济数据已经可以在网络购物的数据中略微窥见一二，再加上目前B2B行业的持续火爆，大有把所有交易搬到网上来的趋势，这个系列教程就来讲讲如果爬取这些大量的电商交易的数据。

工具要求：教程中主要使用到了 1、神箭手云爬虫框架这个是爬虫的基础，2、Chrome浏览器和Chrome的插件XpathHelper 这个用来测试Xpath写的是否正确
基础知识：本教程中主要用到了一些基础的js和xpath语法，如果对这两种语言不熟悉，可以提前先学习下，都很简单

教程正式开始，现在电商网站很多，牛逼哄哄的淘宝京东，新晋贵族唯品会聚美优品海淘的美丽说higo网易惠惠等等，作为新手，上来打boss的结果必定是灰屏回家，所以我们现在新手村附近找个小弟练练级吧。

找小弟也要有找小弟的办法，我们就去it橘子上看看有没有什么新的电商公司试试，找了一圈，就相中了这个切糕王子，名字霸气，内容简单，非常适合我们这种新手练手，掌握一下基本技能。

那我们就正式开始，首先，我们打开切糕王子的商品列表页

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

只有5款商品，果然是互联网思维，爆品逻辑。顿时让我们有种用大炮大蚊子的赶脚，写个爬虫的时间，不如手动复制了。不过，谁让我们是程序员呢？手动复制这么low的事情说出去都丢不起这个人。

开始前先给大家普及一下爬虫的基本步骤:

1.选定入口url，也叫种子url，就是让爬虫从哪个页面开始爬
2.区分哪些是内容页面，也就是我们需要抽取数据的页面，哪些是中间页，就是连接其他页面，没有我们需要的数据的页面
3.对内容页写抽取规则
4.开始爬虫

好了，那我们就开始了

第一步来：这个网站的入口url很简单，就一个页面

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

就是他了，也没别人

第二步：内容页面就是那5个商品的页面

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

神箭手框架里是将内容页用正则表达式来限制的，那没这几个页面统一一个正则的话就是

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

什么？有人觉得这个太难了，那我们可以再简单一点：

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

特别提醒，在正则表达式中，"."和"?"这个字符是需要转义的，这些千万不能写错了。

中间页的话，就是http://www.qiegaowz.com/product/Default.html，转换成正则的格式：

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

第三步：我们打开其中一个商品的页面

发现整个页面没啥内容，我们就勉强来分成三个部分吧，分别是缩略图，商品名称，内容

先看缩略图：我们用chrome打开，并打开开发者工具：

根据html的层级结构，主要找class和ID的节点，我们可以看到我们这个图片的自己的标签是img标签，没有什么特别的属性，那没看他的父标签，

是

我们来查一下发现这个showpic再整个页面里面出现了1次，那么用这个showpic的class就可以直接定位到这个图片，xpath的写法就是：

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

简单解释下xpath，开始的两个//代表着从根目录开始不确定过了多少级，如果是单/则代表是一级层级关系，class属性的选择我们通常使用contains是为了防止一个标签有多个class，最后因为我们要获取的是图片的地址，所以最终我们要选取到src属性，好了我们写完之后用xpathhelper检测一下对不对

没问题，另外两个抽取项在这里就不详细解释了，方式大同小异，直接放结果：

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

OK，那么到这里，我们爬虫的准备工作已经做完了，根据神箭手框架的文档，我们将我们的准备好的代码组装一下如下，

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: [  
        {  
            // 商品缩略图  
            name: "thumbnail",  
            selector: "//div[contains(@class,"showpic")]/img/@src",  
        },  
        {  
            // 商品标题  
            name: "title",  
            selector: "//div[contains(@class,"showproduct")]/h1",  
        },  
        {  
            // 商品内容  
            name: "content",  
            selector: "//div[contains(@class,"shownewdes")]",  
        }  
    ]  
};  
  
start(configs);

到这里就大功告成了，我们将代码复制神箭手后台代码中，保存并测试下，顺利爬到数据。

不过还有一些遗留问题，如商品内容中有一些我们不需要的内容，如何去掉，这个我们可以在后面的教程中详细解释。

云服务器 GPU云服务器手把手教你做图像识别手把手教你阿里云服务器搭建商城爬虫抓取电商软柿子

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/37923.html

手把手教你写电商爬虫-第一课 找个软柿子捏捏

摘要：找小弟也要有找小弟的办法，我们就去橘子上看看有没有什么新的电商公司试试，找了一圈，就相中了这个切糕王子，名字霸气，内容简单，非常适合我们这种新手练手，掌握一下基本技能。话说现在基本上大家都在网上买东西，国家经济数据已经可以在网络购物的数据中略微窥见一二，再加上目前B2B行业的持续火爆，大有把所有交易搬到网上来的趋势，这个系列教程就来讲讲如果爬取这些大量的电商交易的数据。工具要求：教...

springDevBird 2019-08-19 18:17 评论0 收藏0
互联网金融爬虫怎么写－第一课 p2p网贷爬虫（XPath入门）

摘要：之前写了一个电商爬虫系列的文章，简单的给大家展示了一下爬虫从入门到进阶的路径，但是作为一个永远走在时代前沿的科技工作者，我们从来都不能停止。金融数据实在是价值大，维度多，来源广。由于也是一种，因此通常来说，在中抽取某个元素是通过来做的。相关教程：手把手教你写电商爬虫-第一课找个软柿子捏捏手把手教你写电商爬虫-第二课实战尚妆网分页商品采集爬虫手把手教你写电商爬虫-第三课实战...

kk_miles 2019-08-21 10:57 评论0 收藏0
互联网金融爬虫怎么写－第一课 p2p网贷爬虫（XPath入门）

摘要：之前写了一个电商爬虫系列的文章，简单的给大家展示了一下爬虫从入门到进阶的路径，但是作为一个永远走在时代前沿的科技工作者，我们从来都不能停止。金融数据实在是价值大，维度多，来源广。由于也是一种，因此通常来说，在中抽取某个元素是通过来做的。相关教程：手把手教你写电商爬虫-第一课找个软柿子捏捏手把手教你写电商爬虫-第二课实战尚妆网分页商品采集爬虫手把手教你写电商爬虫-第三课实战...

jlanglang 2019-07-25 10:37 评论0 收藏0
手把手教你写电商爬虫-第二课实战尚妆网分页商品采集爬虫

摘要：剩下的同学，我们继续了可以看出，作为一个完善的电商网站，尚妆网有着普通电商网站所拥有的主要的元素，包括分类，分页，主题等等。系列教程手把手教你写电商爬虫-第一课找个软柿子捏捏如果没有看过第一课的朋友，请先移步第一课，第一课讲了一些基础性的东西，通过软柿子切糕王子这个电商网站好好的练了一次手，相信大家都应该对写爬虫的流程有了一个大概的了解，那么这课咱们就话不多说，正式上战场，对垒...

junfeng777 2019-08-19 18:19 评论0 收藏0
手把手教你写电商爬虫-第二课实战尚妆网分页商品采集爬虫

摘要：剩下的同学，我们继续了可以看出，作为一个完善的电商网站，尚妆网有着普通电商网站所拥有的主要的元素，包括分类，分页，主题等等。系列教程手把手教你写电商爬虫-第一课找个软柿子捏捏如果没有看过第一课的朋友，请先移步第一课，第一课讲了一些基础性的东西，通过软柿子切糕王子这个电商网站好好的练了一次手，相信大家都应该对写爬虫的流程有了一个大概的了解，那么这课咱们就话不多说，正式上战场，对垒...

objc94 2019-07-25 10:24 评论0 收藏0