- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我是抓取的新手。我写了一个scraper这将刮Maplin店铺。我使用 Python 作为语言,使用 BeautifulSoup 来抓取商店。
我想问一下,如果我需要抓取其他一些电子商务商店(比如 Amazon、Flipkart),我是否需要自定义我的代码,因为它们具有不同的 HTML 架构(id
和 class
名称不同,还有其他一些东西)。所以,我写的爬虫不适用于其他电子商务商店。
我想知道比价网站如何从所有在线商店抓取数据?他们对不同的在线商店有不同的代码还是有一个通用的代码?他们研究每个在线商店的 HTML 架构吗?
最佳答案
do I need to customize my code
是的,当然。这不仅是因为网站具有不同的 HTML 架构。它还涉及加载/呈现页面所涉及的机制:一些网站使用 AJAX 加载页面的部分内容,其他网站让 javascript 填充页面上的占位符,这使得它更难抓取 - 可能有很多很多的差异。其他人会使用反网络抓取技术:检查您的标题、行为、在访问网站过于频繁后禁止您等。
我还看到过将价格保留为图像或用“噪音”混淆的情况 - 不同的标签相互隐藏,使用不同的技术隐藏,例如 CSS 规则、类、JS 代码、“显示:无”等等 - 对于浏览器中的最终用户来说,数据看起来很正常,但对于网络抓取“机器人”来说,它是一团糟。
want to know how price-comparison sites scrape data from all the online stores?
通常,他们会尽可能使用 API。但是,如果没有,网络抓取和 HTML 解析始终是一种选择。
一般的高级想法是将抓取代码分成两个主要部分。静态的是一个通用的网络抓取蜘蛛(逻辑),它读取传入的参数或配置。动态的 - 注释器/网站特定配置 - 通常是特定于字段的 XPath 表达式或 CSS 选择器。
参见,例如,Autoscraping tool由 Scrapinghub
提供:
Autoscraping is a tool to scrape web sites without any programmingknowledge. You just annotate web pages visually (with a point andclick tool) to indicate where each field is on the page andAutoscraping will scrape any similar page from the site.
并且,仅供引用,研究一下 Scrapinghub
提供的内容和文档 - 有很多有用的信息和一组不同的独特网络抓取工具。
我个人参与了一个项目,我们正在构建一个通用的 Scrapy
蜘蛛。据我所知,我们有一个“目标”数据库表,其中记录由浏览器扩展(注释器)插入,字段注释保存在 JSON 中:
{
"price": "//div[@class='price']/text()",
"description": "//div[@class='title']/span[2]/text()"
}
通用蜘蛛接收目标 ID 作为参数,读取配置并抓取网站。
我们在通用方面遇到了很多问题。一旦网站涉及 javascript 和 ajax,我们就开始编写特定于站点的逻辑来获取所需的数据。
另见:
关于python - 是否需要为他们定位的每个站点编写爬虫?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27671676/
我正在尝试用 C 语言编写一个使用 gstreamer 的 GTK+ 应用程序。 GTK+ 需要 gtk_main() 来执行。 gstreamer 需要 g_main_loop_run() 来执行。
我已经使用 apt-get 安装了 opencv。我得到了以下版本的opencv2,它工作正常: rover@rover_pi:/usr/lib/arm-linux-gnueabihf $ pytho
我有一个看起来像这样的 View 层次结构(基于其他答案和 Apple 的使用 UIScrollView 的高级 AutoLayout 指南): ScrollView 所需的2 个步骤是: 为 Scr
我尝试安装 udev。 udev 在 ./configure 期间给我一个错误 --exists: command not found configure: error: pkg-config and
我正在使用 SQLite 3。我有一个表,forums,有 150 行,还有一个表,posts,有大约 440 万行。每个帖子都属于一个论坛。 我想从每个论坛中选择最新帖子的时间戳。如果我使用 SEL
使用 go 和以下包: github.com/julienschmidt/httprouter github.com/shwoodard/jsonapi gopkg.in/mgo.v2/bson
The database仅包含 2 个表: 钱包(100 万行) 事务(1500 万行) CockroachDB 19.2.6 在 3 台 Ubuntu 机器上运行 每个 2vCPU 每个 8GB R
我很难理解为什么在下面的代码中直接调用 std::swap() 会导致编译错误,而使用 std::iter_swap 编译却没有任何错误. 来自 iter_swap() versus swap() -
我有一个非常简单的 SELECT *用 WHERE NOT EXISTS 查询条款。 SELECT * FROM "BMAN_TP3"."TT_SPLDR_55E63A28_59358" SELECT
我试图按部分组织我的 .css 文件,我需要从任何文件访问文件组中的任何类。在 Less 中,我可以毫无问题地创建一个包含所有文件导入的主文件,并且每个文件都导入主文件,但在 Sass 中,我收到一个
Microsoft.AspNet.SignalR.Redis 和 StackExchange.Redis.Extensions.Core 在同一个项目中使用。前者需要StackExchange.Red
这个问题在这里已经有了答案: Updating from Rails 4.0 to 4.1 gives sass-rails railties version conflicts (4 个答案) 关
我们有一些使用 Azure DevOps 发布管道部署到的现场服务器。我们已经使用这些发布管道几个月了,没有出现任何问题。今天,我们在下载该项目的工件时开始出现身份验证错误。 部署组中的节点显示在线,
Tip: instead of creating indexes here, run queries in your code – if you're missing any indexes, you
你能解释一下 Elm 下一个声明中的意思吗? (=>) = (,) 我在 Elm architecture tutorial 的例子中找到了它 最佳答案 这是中缀符号。实际上,这定义了一个函数 (=>
我需要一个 .NET 程序集查看器,它可以显示低级详细信息,例如元数据表内容等。 最佳答案 ildasm 是 IL 反汇编程序,具有低级托管元数据 token 信息。安装 Visual Studio
我有两个列表要在 Excel 中进行比较。这是一个很长的列表,我需要一个 excel 函数或 vba 代码来执行此操作。我已经没有想法了,因此转向你: **Old List** A
Closed. This question does not meet Stack Overflow guidelines。它当前不接受答案。 想要改善这个问题吗?更新问题,以便将其作为on-topi
我正在学习 xml 和 xml 处理。我无法很好地理解命名空间的存在。 我了解到命名空间帮助我们在 xml 中分离相同命名的元素。我们不能通过具有相同名称的属性来区分元素吗?为什么命名空间很重要或需要
我搜索了 Azure 文档、各种社区论坛和 google,但没有找到关于需要在公司防火墙上打开哪些端口以允许 Azure 所有组件(blob、sql、compute、bus、publish)的简洁声明
我是一名优秀的程序员,十分优秀!