手把手教你写电商爬虫-第一课 找个软柿子捏捏

话说现在基本上大家都在网上买东西，国家经济数据已经可以在网络购物的数据中略微窥见一二，再加上目前B2B行业的持续火爆，大有把所有交易搬到网上来的趋势，这个系列教程就来讲讲如果爬取这些大量的电商交易的数据。

工具要求：教程中主要使用到了 1、神箭手云爬虫框架 这个是爬虫的基础，2、Chrome浏览器和Chrome的插件XpathHelper 这个用来测试Xpath写的是否正确
基础知识：本教程中主要用到了一些基础的js和xpath语法，如果对这两种语言不熟悉，可以提前先学习下，都很简单

教程正式开始，现在电商网站很多，牛逼哄哄的淘宝京东，新晋贵族唯品会聚美优品 海淘的美丽说higo网易惠惠等等，作为新手，上来打boss的结果必定是灰屏回家，所以 我们现在新手村附近找个小弟练练级吧。

找小弟也要有找小弟的办法，我们就去it橘子上看看有没有什么新的电商公司试试，找了一圈，就相中了这个切糕王子，名字霸气，内容简单，非常适合我们这种新手练手，掌握一下基本技能。

那我们就正式开始，首先，我们打开切糕王子的商品列表页

http://www.qiegaowz.com/product/Default.html

只有5款商品，果然是互联网思维，爆品逻辑。顿时让我们有种用大炮大蚊子的赶脚，写个爬虫的时间，不如手动复制了。不过，谁让我们是程序员呢？手动复制这么low的事情说出去都丢不起这个人。

开始前先给大家普及一下爬虫的基本步骤:

1.选定入口url，也叫种子url，就是让爬虫从哪个页面开始爬
2.区分哪些是内容页面，也就是我们需要抽取数据的页面，哪些是中间页，就是连接其他页面，没有我们需要的数据的页面
3.对内容页写抽取规则
4.开始爬虫

好了，那我们就开始了

第一步来：这个网站的入口url很简单，就一个页面

http://www.qiegaowz.com/product/Default.html 

就是他了，也没别人

第二步：内容页面就是那5个商品的页面

http://www.qiegaowz.com/product/5ee97997-1700-4d19-b93a-6bd7c930fefe.html
http://www.qiegaowz.com/product/ccdf1d03-58da-48a9-bfd2-d9c403b56c98.html
http://www.qiegaowz.com/product/1f44feec-751a-4656-9e42-ec1cb7d8dee6.html
http://www.qiegaowz.com/product/83106246-d38e-42da-a0a4-2289f699b066.html
http://www.qiegaowz.com/product/a723b3cc-91f0-495f-b7b8-792b4470a6e6.html

神箭手框架里是将内容页用正则表达式来限制的，那没这几个页面统一一个正则的话就是

http://www\\\\.qiegaowz\\\\.com/product/[0-9a-z]{8}-[0-9a-z]{4}-[0-9a-z]{4}-[0-9a-z]{4}-[0-9a-z]{12}\\\\.html

什么？有人觉得这个太难了，那我们可以再简单一点：

http://www\\\\.qiegaowz\\\\.com/product/.{36}\\\\.html

特别提醒，在正则表达式中，\”.\”和\”?\”这个字符是需要转义的，这些千万不能写错了。

中间页的话，就是http://www.qiegaowz.com/product/Default.html，转换成正则的格式：

http://www\\\\.qiegaowz\\\\.com/product/Default\\\\.html

第三步：我们打开其中一个商品的页面

发现整个页面没啥内容，我们就勉强来分成三个部分吧，分别是 缩略图，商品名称，内容

先看缩略图：我们用chrome打开，并打开开发者工具：

根据html的层级结构，主要找class和ID的节点，我们可以看到我们这个图片的自己的标签是img标签，没有什么特别的属性，那没看他的父标签，

是

//div[contains(@class,\'showpic\')]/img/@src

//div[contains(@class,\'showpic\')]/img/@src
//div[contains(@class,\'showproduct\')]/h1
//div[contains(@class,\'shownewdes\')]

var configs = {  
    domains: [\"www.qiegaowz.com\"],  
    scanUrls: [\"http://www.qiegaowz.com/product/Default.html\"],  
    contentUrlRegexes: [\"http://www\\\\.qiegaowz\\\\.com/product/.{36}\\\\.html\"],  
    helpUrlRegexes:[\"http://www\\\\.qiegaowz\\\\.com/product/Default\\\\.html\"],  
    fields: [  
        {  
            // 商品缩略图  
            name: \"thumbnail\",  
            selector: \"//div[contains(@class,\'showpic\')]/img/@src\",  
        },  
        {  
            // 商品标题  
            name: \"title\",  
            selector: \"//div[contains(@class,\'showproduct\')]/h1\",  
        },  
        {  
            // 商品内容  
            name: \"content\",  
            selector: \"//div[contains(@class,\'shownewdes\')]\",  
        }  
    ]  
};  
  
start(configs);