前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >1、苏宁百万级商品爬取 思路讲解 类别爬取

1、苏宁百万级商品爬取 思路讲解 类别爬取

作者头像
happlyfox
发布2018-10-31 15:01:13
6120
发布2018-10-31 15:01:13
举报
文章被收录于专栏:技术开源分享

苏宁类别面 https://list.suning.com/

解析图.png

通过图可知,总共有N个类别,每个类别都是一个DIV区块,然后再继续分解DIV区块分析内容。我们要得到的是类别表,据图所示我们可以分析得出类别表的结构应当树形的。所以涉及的表应该是包含子节点和父节点的。初步设计图如下

Id

Pid

Code

Name

Url

主键

父节点

编码

名称

地址

解析图2.png

我们可以得到解析图2对应的 Xpath为://*[@id="20089"]/div[2]/div[2] 。可是因为是通过ID作为唯一Key来向下找,所以我们需要先得到所有的Key值。这个方法被我放弃而选用了另外一种方式。

/html/body/div[5]/div[2].首先找到如果所示xpath对应的内容

/html/body/div[5]/div[2].png 那么如果我们想要得到下属的内容只需要增加一个后缀 /html/body/div[5]/div[2]/div 此时我们得到了所有模块的内容,那么我们接下去分析

一级.png

二级+三级.png

还是以“手机配件”为例。一级类别,二级类别、三级类别如果所示。我们又如何得到内容,然后将其变成单元行的形式插入数据库中呢?

解决方案如下 根据网页内容可知,一级类别包含着二级类别,二级类别包含着三级类别。所以我们可以采用如下方式。 首先获取所有一级类别,即解析图2.png所示内容。 一级类别 A方法 循环当前内容 1、解析内容 增加当前A级类别实体 2、循环包含的二级内容,处理 3、合并实体 二级类别 B方法 循环当前内容 1、解析内容 增加当前B级类别实体 2、循环包含的三级级内容,处理 3、返回实体给A方法 三级类别 C方法 循环当前内容 1、解析内容 增加当前C级类别实体 2、返回实体给B方法

ABC.png


代码讲解

ABC(Combine)方法 遍历InitA方法获取的内容,增加A实体后将ANode作为参数传递给InitB方法。依次类推,最后得到符合要求的实体。

代码语言:javascript
复制
    private static List<POCO_Category> CombineA_B_C()
        {
            List<POCO_Category> AList = new List<POCO_Category>();

            int idIndex = 1;
            foreach (HtmlNode xNode in InitA())
            {
                POCO_Category aModel = new POCO_Category()
                {
                    Id = ToLevelCode(idIndex),
                    PId = "000",
                    Levels = 1,
                    Code = ToLevelCode(idIndex),
                    Name = xNode.SelectSingleNode("./h2").InnerText
                };
                AList.Add(aModel);

                var blist = InitB(aModel, xNode);
                AList.AddRange(blist);
                idIndex = idIndex + blist.Count + 1;
            }

            return AList;
        }

        private static List<HtmlNode> InitA()
        {
            var url = "https://list.suning.com/#20089";
            var web = new HtmlWeb();
            var docWeb = web.Load(url);
            //var cssNodes = docWeb.DocumentNode.CssSelect(".search-main.introduce.clearfix > div").ToList();//147毫秒
            List<HtmlNode> xpathNodes = docWeb.DocumentNode.SelectNodes("/html/body/div[5]/div[2]/div").ToList();
            return xpathNodes;
        }

        private static List<POCO_Category> InitB(POCO_Category parentModel, HtmlNode node)
        {
            int idIndex = Convert.ToInt32(parentModel.Id) + 1;
            List<POCO_Category> bList = new List<POCO_Category>();

            var xNodes = node.SelectNodes("./div").ToList();
            foreach (var xNode in xNodes)
            {
                var cateModel = xNode.SelectSingleNode("./div[1]/a");
                POCO_Category bModel = new POCO_Category()
                {
                    Id = ToLevelCode(idIndex),
                    PId = parentModel.Id,
                    Code = $"{parentModel.Code}_{ToLevelCode(idIndex)}",
                    Name = cateModel.InnerText,
                    Url = $"https:{cateModel.GetAttributeValue("href")}",
                    Levels = 2
                };
                bList.Add(bModel);

                var clist = InitC(bModel, xNode.SelectSingleNode("./div[2]"));
                bList.AddRange(clist);
                idIndex = idIndex + clist.Count + 1;
            }

            return bList;
        }

        private static List<POCO_Category> InitC(POCO_Category parentModel, HtmlNode node)
        {
            int idIndex = Convert.ToInt32(parentModel.Id) + 1;
            List<POCO_Category> cList = new List<POCO_Category>();

            HtmlNodeCollection xNodes = node.SelectNodes("./a");

            if (xNodes != null && xNodes.Count > 0)
            {
                foreach (var xNode in xNodes)
                {
                    POCO_Category cModel = new POCO_Category()
                    {
                        Id = ToLevelCode(idIndex),
                        PId = parentModel.Id,
                        Code = $"{parentModel.Code}_{ToLevelCode(idIndex)}",
                        Name = xNode.InnerText,
                        Url = $"https:{xNode.GetAttributeValue("href")}",
                        Levels = 3
                    };
                    cList.Add(cModel);
                    idIndex += 1;
                }
            }

            return cList;
        }

        private static string ToLevelCode(int index)
        {
            return index.ToString("000");
        }
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018.07.09 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 代码讲解
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档