[开源 .NET 跨平台 Crawler 数据采集 爬虫框架: DotnetSpider] [四] JSON数据解析
2017-10-14

场景模拟

接上一篇, JD SKU对应的店铺信息是异步加载的,因此无法使用上一篇的爬虫直接解决。这时我们需要重新完全采集所有的SKU数据吗?补爬的话历史数据就用不了了。因此,去京东页面上找看是否有提供相关的接口。

查找API请求接口

  1. 安装 Fiddler, 并打开

  2. 在谷歌浏览器中访问: http://list.jd.com/list.html?cat=1315,1343,9719

  3. 在Fiddler查找一条条的访问记录,找到我们想要的接口

    image

编写爬虫

  1. 分析返回的数据结果,我们可以先写出数据对象的定义(观察Expression的值已经是JsonPath查询表达式了,同时Type必须设置为Type = SelectorType.JsonPath)。另外需要注意的是,这次的爬虫是更新型爬虫,就是说采集到的数据补充回原表,那么就一定要设置主键是什么,即在数据类上添加主键的定义

[EntityTable("test", "jd_sku", EntityTable.Monday, Primary = "Sku", UpdateColumns = new[] { "ShopId" })]

        [EntitySelector(Expression = "$.[*]", Type = SelectorType.JsonPath)]

        class ProductUpdater : SpiderEntity

        {

            [PropertyDefine(Expression = "$.pid", Type = SelectorType.JsonPath, Length = 25)]

            public string Sku { get; set; }


            [PropertyDefine(Expression = "$.shopId", Type = SelectorType.JsonPath)]

            public int ShopId { get; set; }

        }
   2、由于返回的数据中还有一个json()这样的pagging,所以需要先做一个截取操作,框架提供了PageHandler接口,并且我们实现了许多常用的Handler,用于HTML的解析前的一些处理操作。PrepareStartUrls 接口是用来从数据源来获取起始URL,而不需要把URL直接写在代码里。完整的代码如下

public class JdShopDetailSpider : EntitySpider

    {

        public JdShopDetailSpider() : base("JdShopDetailSpider", new Site())

        {

        }


        protected override void MyInit(params string[] arguments)

        {

            Identity = Identity ?? Guid.NewGuid().ToString();

            Downloader.AddAfterDownloadCompleteHandler(new SubContentHandler

            {

                StartPart = "json(",

                EndPart = ");",

                StartOffset = 5,

                EndOffset = 0

            });


            AddStartUrlBuilder(new DbStartUrlBuilder(Database.MySql,

                "Database='mysql';Data Source=localhost;User ID=root;Password=;Port=3306;SslMode=None;",

                $"SELECT * FROM test.jd_sku_{DateTimeUtils.MondayOfCurrentWeek.ToString("yyyy_MM_dd")} WHERE ShopName is null or ShopId is null or ShopId = 0 order by sku", new[] { "sku" },

                "http://chat1.jd.com/api/checkChat?my=list&pidList={0}&callback=json"));

            AddPipeline(new MySqlEntityPipeline("Database='mysql';Data Source=localhost;User ID=root;Password=;Port=3306;SslMode=None;"));

            AddEntityType(typeof(ProductUpdater));

        }


        [EntityTable("test", "jd_sku", EntityTable.Monday, Primary = "Sku", UpdateColumns = new[] { "ShopId" })]

        [EntitySelector(Expression = "$.[*]", Type = SelectorType.JsonPath)]

        class ProductUpdater : SpiderEntity

        {

            [PropertyDefine(Expression = "$.pid", Type = SelectorType.JsonPath, Length = 25)]

            public string Sku { get; set; }


            [PropertyDefine(Expression = "$.shopId", Type = SelectorType.JsonPath)]

            public int ShopId { get; set; }

        }

    }

代码地址

https://github.com/zlzforever/DotnetSpider 望各位大佬加星


原文地址: http://www.cnblogs.com/modestmt/p/5729253.html