【从零开始学爬虫】采集京东商品信息

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，免费版本下载链接：http://www.forenose.com/view/forespider/view/download.html

【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url
for(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);
}

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
}

8.采集预览

点击右上角采集预览，双击任意一条翻页链接，看是否采集到商品信息，如下图所示：

l 采集步骤

模板配置完成，采集预览没有问题后，进行数据采集。

1.首先要建立采集数据表：

选择【数据建表】，点击【表单列表】中该模板的表单，在【关联数据表】中选择【创建】，表名称自定义，这里命名为【jingdong】（注意命名不能用数字和特殊符号），点击【确定】。

创建完成，勾选数据表。

2.选择【数据采集】，勾选任务名称，点击【开始采集】，则正式开始采集。

3.可以在【数据浏览】中，选择数据表查看采集数据，并可以导出数据。

4.导出的文件打开如下图所示：

l 前嗅简介

前嗅大数据，国内领先的研发型大数据专家，多年来致力于为大数据技术的研究与开发，自主研发了一整套从数据采集、分析、处理、管理到应用、营销的大数据产品。前嗅致力于打造国内第一家深度大数据平台！