更多>>关于我们
西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效获取互联网任何公开可见信息。
您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。
数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。
更多>>技术文章
如何抓取亚马逊(中文)的图书
发布时间:2011-12-05
亚马逊(中国)的图书列表默认只能显示前400页(即前4800条),之后的列表均是重复的。
例如:“现代当代小说”分类下有48248条(包括无库存)记录,http://www.amazon.cn/gp/search/ref=sr_nr_p_n_availability_1?rh=n:2130609051,p_n_availability:2122562051。
第400页之后的列表内容和400页是一样的:
如下图示第400页:
如下图示第401页:
为了抓取到尽可能多的记录,我们可以采用按照分类逐级进入的方法:
1)如果当前分类下记录数少于4800,则直接抓取当前分类。
2)如果当前分类下记录数多于4800条,则进入各子分类。
特别说明:本文旨在技术交流,请勿将涉及的技术用于非法用途,否则一切后果自负。如果您觉得我们侵犯了您的合法权益,请联系我们予以处理。
☹ Disqus被Qiang了,之前所有的评论内容都看不到了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/