因为一些业务需求需要采集淘宝店铺商品的销售价格,但是淘宝详情页面的价格显示是通过js动态调用显示的.所以就没法通过普通的获取页面html然后通过正则或者xpath的方式获取到想到的信息了.
所幸我们现在有了casperjs.这个是一个基于Phantomjs的库,而Phantomjs则是一个服务器端的js api的webkit浏览器.是不是很神奇?真的是.net的以外的世界很神奇,我们要多走去看看.
好了,现在废话不多说,开始切入正题.
首先就是就是几个相关库的安装.安装过程很简单,相关内容大家百度即可.在文章的底部我也会列出参考链接.
我们先进行下简要的分析:
具体的操作流程就是利用casperjs模拟鼠标点击商品的图片,然后网页显示对应的价格.
默认情况是这样的,如果不点击颜色分类下的图片,则对应的促销价格也只是会显示一个区间.
而只要我们点击了颜色分类对应的图片之后,则会是下面的效果
那么我们具体的操作步骤应该是:
1)打开具体的商品详情页
2)获取到颜色分类下图片个数,然后依次模拟鼠标点击
3)每点击一次图片,然后获取对应的促销价格
4)保存每次操作后的结果到数据库或者本地文件中待下一步处理
下面我们就来具体的一步步实现上面分析后所需要的步骤:
1.初始化casperjs
|
1
2
3
4
5
6
7
8
9
|
var
casper = require(
'casper'
).create({
clientScripts: [
"jquery.js"
],
verbose:
false
,
logLevel:
'debug'
,
pageSettings: {
loadImages:
false
,
// The WebPage instance used by Casper will
loadPlugins:
false
// use these settings
}
});<br><br>phantom.outputEncoding =
"gbk"
;
//解决乱码问题
|
2.打开具体的url
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
/*
获取需要采集的url列表
*/
casper.start(url,
function
() {
casper.GetDetailUrl(url);
});
/*
打开具体url
*/
casper.GetDetailUrl =
function
(detailUrl) {
casper.thenOpen(detailUrl,
function
() {
console.log(
this
.getCurrentUrl());
});
};
|
3.处理当前页面的所有sku价格与信息
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
/*
处理当前页面的所有sku价格与信息
*/
casper.then(
function
getPic() {
// console.log(this.getHTML());
// fs.write('123', this.getHTML(), 'w');
product = casper.evaluate(
function
getProductFromPage() {
return
$(
'ul[class*="tb-img"]'
).children().size();
});
console.log(product);
var
str =
''
for
(
var
i = 1; i <= product; i++) {
str += casper.getPrice(i) +
"|"
;
}
var
item =
new
Object();
item.price = str;
item.numiid =
this
.getCurrentUrl();
casper.PostData(item);
// fs.write('myfile.html', str, 'w');
//this.capture("4.png");
});<br><br>
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
/*
获取商品的价格
*/
casper.getPrice =
function
(index) {
var
dd = casper.clickByImg(index);
if
(dd == -1) {
return
''
;
}
productPrice = casper.evaluate(
function
getPriceFromPage() {
return
$(
'.tm-price'
).first().text().trim();
});
return
(dd +
"_"
+ productPrice);
};
/*
点击小图及获取此商品的data-value
*/
casper.clickByImg =
function
(index) {
var
x = require(
'casper'
).selectXPath;
// 如果此商品缺货则跳出
var
path =
'//*[@id="J_DetailMeta"]/div[1]/div[1]/div/div[4]/div/div/dl[1]/dd/ul/li['
+ index +
']'
;
var
outOfStock =
this
.getElementAttribute(x(path),
'class'
);
if
(outOfStock ==
'tb-out-of-stock'
)
return
'-1'
;
this
.click(x(
'//*[@id="J_DetailMeta"]/div[1]/div[1]/div/div[4]/div/div/dl[1]/dd/ul/li['
+ index +
']/a'
));
return
this
.getElementAttribute(x(path),
'data-value'
);
// "data-value"
};
|
4.将最后处理后得到的结果提交到服务器上
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
/*
提交商品价格信息到服务器
*/
casper.PostData =
function
(item) {
this
.fill(
"form"
, {
'numiid'
: item.numiid,
'value'
: item.price
},
false
);
this
.capture(
'post.png'
);
this
.click(
"#btnSave"
);
this
.echo(
'GOT it1.'
+ item.numiid);
});
this
.echo(
'GOT it2.'
+ item.numiid);
this
.wait(2000,
function
() {
this
.echo(
"I've waited for a second."
);
});
}
|
最后run即可.
|
1
|
casper.run();
|
通过以上4个步骤我们就能获取到单个链接下,所有sku的促销价格了.
现在还有个问题,就是我们的nodejs还没出场呢,不会把它忘记的,呵呵.
为什么这里casperjs都搞定了,还需要nodejs呢?那就是因为casperjs只能处理单个链接,如果有多条链接处理的话,就需要启动多个casperjs的实例来完成.
上面的所有代码都是casperjs的一个操作步骤,最后的一个run就是让这个实例按我们定义好的步骤来进行的一个完整的流程.
那么既然如果,我们就请nodejs出场吧~
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
|
var
count = 0;
console.log(
'主进程开启'
);
var
startTime =
new
Date().getTime();
var
https = require(
'http'
);
/*
获取需要采集的url列表
*/
// console.log("statusCode: ", res.statusCode);
// console.log("headers: ", res.headers);
res.on(
'data'
,
function
(d) {
// process.stdout.write(d);
var
obj = JSON.parse(d)
for
(
var
i = 0; i < obj.items.length; i++) {
capture(obj.items[i].detail_url);
}
;
});
}).on(
'error'
,
function
(e) {
console.error(e);
});
/*
启动casperjs读取单个url
*/
function
capture(url) {
count++;
var
spawn = require(
'child_process'
).spawn,
ls = spawn(
'casperjs'
, [
'casperjs.js'
, url]);
ls.on(
'close'
,
function
(code) {
if
(code == 1) {
console.log(
'child process异常结束。目标：'
+ url);
}
});
}
|
当然,这里我们的casperjs需要进行模块化处理的,其实就是让casperjs可以获取调用的参数啦
|
1
2
|
var
system = require(
'system'
);
var
url = system.args[4];
|
以上,就是所有采集需要使用到的代码了!怎么样,是不是非常的彪悍啊,整个处理流程只用了区区100来行的代码,就搞定了所有的采集流程.
参考链接:
http://www.cnmiss.cn/?p=413
http://blog.csdn.net/sagomilk/article/details/20800543
http://www.cnblogs.com/zeusro/p/4188229.html
http://casperjs.readthedocs.org/en/latest/modules/casper.html
扫一扫
4332
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
