JAVA爬取亚马逊的商品信息

在程序里面输入你想爬取的商品名字，就可以返回这件商品在亚马逊搜索中都所有相关商品的信息，包括名字和价格。

解决了在爬取亚马逊时候，亚马逊可以识别出你的爬虫，并返回503，造成只能爬取几个页面的问题。

除此之外亚马逊网页代码写得非常的乱啊(可能是我个人问题？)，要想提取里面的信息非常麻烦。

纯JAVA编写，用的都是java自带的库。

先展示一下效果图：

商品页面：



爬取的信息页面(消除重复了)：



名字和价格是绝对正确的，例如上图31行的商品：



主要思路是这样的：

1、打开搜索的列表页，然后抽取所有商品页的url和下一页的url，加入爬取的队列。

2、判断若是列表页则重复步骤1，若是商品详细信息的页面，提取商品名称和价格到一个文件中。

遇到的主要问题：

1、亚马逊的页面限制流量，如果在限定的时间内访问次数太多，就会返回503。一般是爬取几张页面后就不能继续下去了。如图：



解决办法是：

a、尽量模仿浏览器，办法就是设置User-Agent啦！用一个数组存了 多个User-Agent，然后随机调用。

b、降速，适当延长两次请求的时间。

c、去重，重复的url

d、挂代理，这个就算了，太复杂

2、亚马逊的代码很乱！提取有用的信息十分困难。不过细心找还是能发现规律的，我用正则表达式来提取的。

亚马逊搜索页面的url(就是搜索商品后回车的页面)：

"http://www.amazon.cn/s/ref=nb_sb_noss?__mk_zh_CN=%E4%BA%9A%E9%A9%AC%E9%80%8A%E7%BD%91%E7%AB%99&field-keywords="+商品名;

对于商品页面的抽取，商品名字和价格的抽取等等在代码里面。

3、在列表里面会有同一件商品的3~4个url名字，可以跳转到名字部分，图文信息部分还有评论部分的。

要判断如果这些页面的商品编号相同，就只取一个就好了。例如：
http://www.amazon.cn/%E6%89%8B%E6%9C%BA-%E9%80%9A%E8%AE%AF/dp/B00OB5T26S......
dp后面是商品编号。

代码只爬取了搜索页的第一页，因为第一页的商品最贴近我们想要的东西，而且后面的页面很多都是重复的或者是不相关的了。

除了我们搜索一个品牌才会有很多页，一般搜索具体的东西还是第一页比较靠谱。当然，也可以爬取后面的页面啦，url在html中，自己提取就行。

public class amazon {

public static int i=0;

//用来储存上一个商品编号，看有没有重复
public static String last = "|";

//匹配商品url
public static Pattern p_goods = Pattern.compile("href=\"(http://www(.+?)/dp/(.+?))\"");

//存放待爬取的url
public static Queue<String> data = new LinkedList<String>();

//要输入到file中
public static File file;

//15个ua随机用，减少503的机率
public static String [] ua = {
"Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.16 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; Intel Mac OS X 10.6; rv:7.0.1) Gecko/20100101 Firefox/7.0.1",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36 OPR/18.0.1284.68",
"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)",
"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)",
"Mozilla/5.0 (compatible; MSIE 10.0; Windows NT 6.2; Trident/6.0)",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:7.0.1) Gecko/20100101 Firefox/7.0.1",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.9.1) Presto/2.12.388 Version/12.16",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_9_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.63 Safari/537.36 OPR/18.0.1284.68",
"Mozilla/5.0 (iPad; CPU OS 7_0 like Mac OS X) AppleWebKit/537.51.1 (KHTML, like Gecko) CriOS/30.0.1599.12 Mobile/11A465 Safari/8536.25",
"Mozilla/5.0 (iPad; CPU OS 8_0 like Mac OS X) AppleWebKit/600.1.3 (KHTML, like Gecko) Version/8.0 Mobile/12A4345d Safari/600.1.4",
"Mozilla/5.0 (iPad; CPU OS 7_0_2 like Mac OS X) AppleWebKit/537.51.1 (KHTML, like Gecko) Version/7.0 Mobile/11A501 Safari/9537.53"

};

public static void action(String target) throws IOException, InterruptedException{

//补全targer的搜索页面
if(i==0){

target = "http://www.amazon.cn/s/ref=nb_sb_noss?__mk_zh_CN=%E4%BA%9A%E9%A9%AC%E9%80%8A%E7%BD%91%E7%AB%99&field-keywords="+target;
i++;

}

//先打开输入流
URL url = new URL(target);

HttpURLConnection conn = (HttpURLConnection)url.openConnection();

conn.setRequestMethod("GET");

Random index = new Random();

String u = ua[Math.abs(index.nextInt()%15)];
//System.out.println("us--->"+u);
//随机调用ua
conn.setRequestProperty("User-Agent",u);

conn.setRequestProperty("Host","www.amazon.cn");
conn.setRequestProperty("Accept","text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8");
conn.setRequestProperty("Connection","keep-alive");

conn.connect();

InputStream in = conn.getInputStream();

byte [] buf = new byte[1024];

//把数据装进ByteArrayOutputStream中
ByteArrayOutputStream outStream = new ByteArrayOutputStream();

int len = 0;

while((len=in.read(buf))!=-1){

outStream.write(buf,0,len);
}
in.close();
outStream.close();

String content = new String(outStream.toByteArray());

//判断页面类型

Pattern pp_goods = Pattern.compile("http://www(.+?)/dp/(.+)");
Matcher m_goods = pp_goods.matcher(target);

//如果是商品页面
if(m_goods.find()){

System.out.println("This is goods page");

//提取名字和价格
Pattern p_name = Pattern.compile("<meta name=\"description\" content=\"(.+?),");

Matcher m_name = p_name.matcher(content);

Pattern p_price = Pattern.compile("class=\"a-size-medium a-color-price\">￥(.+?)</span>");

Matcher m_price = p_price.matcher(content);

//文件写操作
PrintWriter pw = new PrintWriter(new FileWriter("goods.txt", true));

while(m_name.find()){

pw.print(m_name.group(1)+"------->");

}
while(m_price.find()){

pw.println(m_price.group(1));

}

pw.close();

}
//其他就是列表页面了
else{

//提取里面的商品url

m_goods = p_goods.matcher(content);

int count = 0;

//提取这个url的编号
Pattern p_num = Pattern.compile("/dp/(.+?)/");

while(m_goods.find()){

String current = m_goods.group(1);

Matcher m_num = p_num.matcher(current);

String current_num = "";

if(m_num.find()){
current_num = m_num.group(1);
//System.out.println(current_num);
}

//去重！！！！！！！！！

//如果不等于上一个商品编号，才将该url加入队列
if(!current_num.equals(last)){
//System.out.println(current);
//System.out.println(current_num);
//System.out.println("goods url");
data.add(current);
last = current_num;

}

}

}

}

public static void main(String args[]) throws IOException, InterruptedException{

//直接输入商品名字就好了
String target = "macbook pro";

amazon.action(target);

//如果队列非空，则一直进行
while(!data.isEmpty()){

amazon.action(data.poll());

}

}

}

效果：



才第一页就已经比较多无用的东西了，比如保护膜什么什么的。我一开始是爬取了很多页面的，但发现后面都是一些没用的东西，所以后面的页面意义不大。

其实真正高效的话，还是要用到多线程和一些去重技术，这里只是一个简单的实例。