概述
JAVA爬取某东、某宝以及某宁商品详细数据（一）
- 写在最前
- 反爬策略问题解决
- 请求头配置
- 无代理模式
- 代理模式
- 某东
- JDHTML解析
- JD商品解析
- 天猫
- TMHTML解析
- 苏宁
- SNHTML解析
写在最前
防止篇幅过长，对于如何爬取某东、某宝以及某宁的历史价格数据，会在下一篇博客中进行总结：https://blog.csdn.net/qq_40921561/article/details/110950930
反爬策略问题解决
某东、某宝以及某宁电商网站平台，对于爬虫还算比较友好，唯一的问题就是有些数据是动态加载的，爬虫无法通过解析html页面获取数据。（比如某东的商品价格信息）
请求头配置
这些请求头配置都是公共的配置，对于请求头，各大电商都没有做严格的反爬校验（某宝会校验user-agent，但是加上去也不影响）。
另外，设置超时处理，一定要设置，不仅仅是为了防止后台一直在请求，收不到任何反馈信息，无法定位问题，还防止瞬时多次请求，IP被封。
对于user-agent随便打开一个网页，F12找到请求头信息中的user-agent。
对于大批量数据的爬取，代理池的设置是必不可少的。代理池的作用就是，将请求的IP“伪装”成代理池中的IP进行请求，提高爬取上限。代理池可以用云代理或者本地代理池，对于个人或者小的需求项目，用本地代理池就可以。在这里推荐一下快刺代理（具体的问谷哥或者度娘，这里不做具体说明）
以下便是对于url请求地址进行请求并返回html代码的工具接口
无代理模式
/**
* @Description: 获取页面的htmlgetHtml
* @param url 地址
* @param headerMap 头部信息
*/
public static String getHtml(String url, Map<String, Object> headerMap)
{
String entity = null;
CloseableHttpClient httpClient = HttpClients.createDefault();
//设置超时处理
RequestConfig config = RequestConfig.custom().setConnectTimeout(3000).
setSocketTimeout(3000).build();
HttpGet httpGet = new HttpGet(url);
httpGet.setConfig(config);
//设置头部信息
if (null != headerMap.get("accept"))
{
httpGet.setHeader("Accept", headerMap.get("accept").toString());
}
if (null != headerMap.get("encoding"))
{
httpGet.setHeader("Accept-Encoding", headerMap.get("encoding").toString());
}
if (null != headerMap.get("language"))
{
httpGet.setHeader("Accept-Language", headerMap.get("language").toString());
}
if (null != headerMap.get("host"))
{
httpGet.setHeader("Host", headerMap.get("host").toString());
}
if (null != headerMap.get("referer"))
{
httpGet.setHeader("Referer", headerMap.get("referer").toString());
}
//固定项
httpGet.setHeader("Connection", "keep-alive");
httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36");
try {
//客户端执行httpGet方法，返回响应
CloseableHttpResponse httpResponse = httpClient.execute(httpGet);
//得到服务响应状态码
if (httpResponse.getStatusLine().getStatusCode() == 200) {
entity = EntityUtils.toString(httpResponse.getEntity(), "utf-8");
}
httpResponse.close();
httpClient.close();
} catch (IOException e) {
e.printStackTrace();
}
return entity;
}
代理模式
private static Logger logger = Logger.getLogger(HttpClientUtils.class);
/**
* @Description: 代理 获取页面的htmlgetHtml
* @param url 地址
* @param ip
* @param port
* @param headerMap 头部信息
*/
public static String getHtml(String url, String ip, String port, Map<String, Object> headerMap)
{
String entity = null;
CloseableHttpClient httpClient = HttpClients.createDefault();
logger.info(">>>>>>>>>此时线程: " + Thread.currentThread().getName() + " 爬取所使用的代理为: "
+ ip + ":" + port);
HttpHost proxy = new HttpHost(ip, Integer.parseInt(port));
RequestConfig config = RequestConfig.custom().setProxy(proxy).setConnectTimeout(3000).
setSocketTimeout(3000).build();
HttpGet httpGet = new HttpGet(url);
httpGet.setConfig(config);
//设置头部信息
if (null != headerMap.get("accept"))
{
httpGet.setHeader("Accept", headerMap.get("accept").toString());
}
if (null != headerMap.get("encoding"))
{
httpGet.setHeader("Accept-Encoding", headerMap.get("encoding").toString());
}
if (null != headerMap.get("language"))
{
httpGet.setHeader("Accept-Language", headerMap.get("language").toString());
}
if (null != headerMap.get("host"))
{
httpGet.setHeader("Host", headerMap.get("host").toString());
}
//固定项
httpGet.setHeader("Connection", "keep-alive");
httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36");
try {
//客户端执行httpGet方法，返回响应
CloseableHttpResponse httpResponse = httpClient.execute(httpGet);
//得到服务响应状态码
if (httpResponse.getStatusLine().getStatusCode() == 200) {
entity = EntityUtils.toString(httpResponse.getEntity(), "utf-8");
}
httpResponse.close();
httpClient.close();
} catch (IOException e) {
entity = null;
}
return entity;
}
对于获取价格（最高价、最低价）以及历史数据，会在下一篇博客中详细说明。https://blog.csdn.net/qq_40921561/article/details/110950930
某东
各个VO类不做详细赘述，这里的示例都是无代理的爬取。（实际跑的时候最好加代理池）。另外，为了加快爬取速度，这里建议改成多线程。（方便做介绍，在页面解析处，我会用多线程的方式对爬取的每页数据的所有商品进行解析）
JDHTML解析
/**
* @Description: JDItemDetail 爬取京东商品信息
* @param name 要查询的商品名字
* @return
*/
private List<ItemDetailsVO> JDItemDetail(String name){
List<ItemDetailsVO> itemDetailsVOs = new LinkedList<ItemDetailsVO>();
//分页查找商品数据 取前10页
for (int i = 1; i <= 10 ; i++) {
//京东分页 page 为 1 3 5 .....
// 对应第一页 第二页....
String url="https://search.jd.com/Search?keyword=" + name + "&enc=utf-8&page="+(2*i-1);
String html = "";
try
{
html = HttpClientUtils.doGet(url);
parseJDIndex(itemDetailsVOs, html);
} catch (IOException e)
{
throw ExceptionFactory.iOStremException();
}
}
return itemDetailsVOs;
}
JD商品解析
对于刚学习java的同学，这里的CountDownLatch不可少，具体：开了多线程之后，如果不对每个线程做限制，每个线程跑完接口并不会停止，最后获取不到数据。
/**
* @Description: parseJDIndex 解析京东页面
* @param html
* @throws IOException
* @throws InterruptedException
*/
@SuppressWarnings("null")
private static void parseJDIndex(List<ItemDetailsVO> itemDetailsVOs, String html) throws IOException{
CountDownLatch jdThreadSignal = new CountDownLatch(3);
Document document = Jsoup.parse(html);
//商品列表
Elements elements = document.select("#J_goodsList>ul>li");
if(elements!=null||elements.size()!=0){
//这里为了体现快速测试只取每页的前三个元素
//取全部元素可以改成
//for (Element element : elements) {
for (int i=0;i<3;i++) {
//获得每个li的pid dataa-pid
//狗东改了,就很气 data-sku
Element element = elements.get(i);
new Thread( new Runnable() {
@Override
public void run() {
try
{
String pid = element.attr("data-sku");
ItemDetailsVO itemDetailsVO = parsePid(pid);
itemDetailsVOs.add(itemDetailsVO);
} catch (IOException e)
{
throw ExceptionFactory.iOStremException();
}
jdThreadSignal.countDown();
}
}).start();
}
}
try
{
jdThreadSignal.await();
} catch (InterruptedException e)
{
throw ExceptionFactory.threadCountException();
}
}
/**
* @Description: parseIndex 获得某个页面的详细数据
* @param pid
* @return
*/
private static ItemDetailsVO parsePid(String pid) throws IOException {
//拼接url 进入商品详情页
String productUrl="https://item.jd.com/"+pid+".html";
String productHtml = HttpClientUtils.doGet(productUrl);
Document document = Jsoup.parse(productHtml);
ItemDetailsVO itemDetailsVO = new ItemDetailsVO();
itemDetailsVO.setImgLogo("../img/jdLogo.png");
//获得商品标题
if(document.select("div.sku-name").size()>0){
itemDetailsVO.setTitle(document.select("div.sku-name").get(0).text());
}
//获得商品品牌
itemDetailsVO.setBrand(document.select("#parameter-brand li").attr("title"));
//获得商品名称
itemDetailsVO.setItemName(document.select("[class=parameter2 p-parameter-list] li:first-child").attr("title"));
//获取商品店铺
itemDetailsVO.setStoreName(document.select("div.name a").attr("title"));
//获得店铺类别
itemDetailsVO.setStoreType(document.select("[class=name goodshop EDropdown] em").text());
//获取图片
itemDetailsVO.setImgUrl(document.select("#spec-img").attr("data-origin"));
//获得商品链接
String itemUrl = "https://item.jd.com/" + pid + ".html";
itemDetailsVO.setItemUrl(itemUrl);
//评论炸了 狗东 记得修复 不许刷水军
itemDetailsVO.setCommentNum("1000+");
itemDetailsVO.setSales("100+");
//获取商品价格
parsePrice(itemDetailsVO, itemUrl);
itemDetailsVO.setPid(pid);
return itemDetailsVO;
}
天猫
页面请求同上，只是网址不同而已，具体解析如下：
String name="";
"https://list.tmall.com/search_product.htm?q=" + name;
TMHTML解析
/**
* @Description: parseTMIndex 解析天猫页面
* @param html
*/
private static void parseTMIndex(List<ItemDetailsVO> itemDetailsVOs, String html) {
CountDownLatch tmThreadSignal = new CountDownLatch(3);
Document document = Jsoup.parse(html);
Elements ulList = document.select("div[class='view grid-nosku']");
Elements liList = ulList.select("div[class='product']");
//这里为了体现快速测试只取每页的前三个元素
//取全部元素可以改成
//for (Element element : liList ) {
for (int i=0;i<3;i++) {
Element item = liList.get(i);
new Thread(new Runnable()
{
@Override
public void run()
{
ItemDetailsVO itemDetailsVO = new ItemDetailsVO();
itemDetailsVO.setImgLogo("../img/tmLogo.png");
// 商品ID
String id = item.select("div[class='product']").select("p[class='productStatus']").select("span[class='ww-light ww-small m_wangwang J_WangWang']").attr("data-item");
itemDetailsVO.setPid(id);
// 商品名称
String name = item.select("p[class='productTitle']").select("a").attr("title");
itemDetailsVO.setTitle(name);
name = name.substring(name.indexOf("】")+1).split(" ")[0];
//商品名字和商品品牌
if (name.contains("/")) {
name = name.substring(0, name.indexOf("/"));
}else {
//对过长的名字和品牌进行截取
if (name.length()>6)
{
char c = 0;
if (name.charAt(0)>255)
{
for (int j = 0; j < name.length(); j++)
{
if (name.charAt(j)<=255)
{
c = name.charAt(j);
break;
}
}
}else {
for (int j = 0; j < name.length(); j++)
{
if (name.charAt(j)>255)
{
c = name.charAt(j);
break;
}
}
}
if (c!=0)
name = name.substring(0,name.indexOf(c));
}
}
itemDetailsVO.setBrand(name);
itemDetailsVO.setItemName(name);
// 商品价格
itemDetailsVO.setPrice(item.select("p[class='productPrice']").select("em").attr("title"));
// 商品网址
itemDetailsVO.setItemUrl("https://detail.tmall.com/item.htm?id="+id);
Elements spanList = item.select("p[class='productStatus']").select("span");
// 商品销量
itemDetailsVO.setSales(spanList.get(0).select("em").text());
// 商品评价数
itemDetailsVO.setCommentNum(spanList.get(1).select("a").text());
// 商品店铺
itemDetailsVO.setStoreName(spanList.get(2).attr("data-nick"));
// 商品图片网址
itemDetailsVO.setImgUrl(item.select("div[class='productImg-wrap']").select("a").select("img").attr("src"));
try
{
parsePrice(itemDetailsVO, "https://detail.tmall.com/item.htm?id="+id);
} catch (ParseException e)
{
throw ExceptionFactory.parseException();
} catch (IOException e)
{
throw ExceptionFactory.iOStremException();
}
itemDetailsVOs.add(itemDetailsVO);
tmThreadSignal.countDown();
}
}).start();
}
try
{
tmThreadSignal.await();
} catch (InterruptedException e)
{
throw ExceptionFactory.threadCountException();
}
}
苏宁
苏宁请求网址如下：
String url = "https://search.suning.com/"+name+"/";
SNHTML解析
/**
* @Description: parseSNIndex 解析苏宁页面
* @param html
*/
private static void parseSNIndex(List<ItemDetailsVO> itemDetailsVOs, String html) {
CountDownLatch snThreadSignal = new CountDownLatch(3);
Document document = Jsoup.parse(html);
Elements liElements = document.select("div[class='product-list clearfix']").select("ul").select("li");
for (int i=0;i<3;i++) {
Element element = liElements.get(i);
new Thread(new Runnable()
{
@Override
public void run()
{
ItemDetailsVO itemDetailsVO = new ItemDetailsVO();
itemDetailsVO.setImgLogo("../img/snLogo.png");
Element elementMain = element.select("div.item-bg").select("div.product-box").select("div.res-img").select("div.img-block").get(0);
Element elementPrice = element.select("div.item-bg").select("div.product-box").select("div.res-info").select("div.price-box").select("span").get(0);
Element elementTitle = element.select("div.item-bg").select("div.product-box").select("div.res-info").select("div.title-selling-point").select("a").get(0);
Element elementCommonts = element.select("div.item-bg").select("div.product-box").select("div.res-info").select("[class=evaluate-old clearfix]").select("div.info-evaluate").select("a").get(0);
//商品pid
itemDetailsVO.setPid(elementPrice.attr("datasku").split("\|")[0]);
//商品标题
String title = "";
if (elementTitle.text().contains("【"))
{
if (elementTitle.text().startsWith("【"))
{
title = elementTitle.text().substring(elementTitle.text().indexOf("】")+1);
}else {
title = elementTitle.text().substring(0,elementTitle.text().indexOf("【"));
}
}else {
title = elementTitle.text();
}
itemDetailsVO.setTitle(title);
//评论数
itemDetailsVO.setCommentNum(elementCommonts.select("i").text());
//销量
itemDetailsVO.setSales(itemDetailsVO.getCommentNum());
//商品名字和品牌
String brand = "";
String itemName = "";
if (itemDetailsVO.getTitle().startsWith("("))
{
brand = itemDetailsVO.getTitle().substring(0, itemDetailsVO.getTitle().indexOf("("));
itemName = itemDetailsVO.getTitle().substring(itemDetailsVO.getTitle().indexOf(")")+1,
itemDetailsVO.getTitle().indexOf(" ")==-1?itemDetailsVO.getTitle().length():itemDetailsVO.getTitle().indexOf(" "));
}else {
brand = itemDetailsVO.getTitle().split(" ")[0];
itemName = itemDetailsVO.getTitle().split(" ")[0];
}
itemDetailsVO.setBrand(brand);
itemDetailsVO.setItemName(itemName);
//店铺名字
itemDetailsVO.setStoreName(element.select("div.item-bg").select("div.product-box").select("div.res-info").select("div.store-stock").select("a").text());
//图片地址
itemDetailsVO.setImgUrl(elementMain.select("img").attr("src"));
//商品链接
itemDetailsVO.setItemUrl("https:"+elementMain.select("a").attr("href"));
try
{
parsePrice(itemDetailsVO, itemDetailsVO.getItemUrl());
} catch (ParseException e)
{
throw ExceptionFactory.parseException();
} catch (IOException e)
{
throw ExceptionFactory.iOStremException();
}
itemDetailsVOs.add(itemDetailsVO);
snThreadSignal.countDown();
}
}).start();
}
try
{
snThreadSignal.await();
} catch (InterruptedException e)
{
throw ExceptionFactory.threadCountException();
}
}
最后
以上就是神勇铃铛为你收集整理的JAVA爬取淘宝、京东、天猫以及苏宁商品详细数据（一）写在最前反爬策略问题解决的全部内容，希望文章能够帮你解决JAVA爬取淘宝、京东、天猫以及苏宁商品详细数据（一）写在最前反爬策略问题解决所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
![[语录]足球解说员贺炜语录贺炜语录](/uploads/reation/bcimg11.png)
发表评论 取消回复