系列教程：
手把手教你寫電商爬蟲-第三課 實戰尚妝網AJAX請求處理和內容提取
四節課過去了，咱們在爬蟲界也都算見過世面的人，現在再來一些什麼ajax加載之類的小魚小蝦應該不在話下了，即使是淘寶這種大量的ajax，我們 祭上我們的核武器，也輕鬆應對了，這一課主要是來看看除了技術上的頁面處理外，我們還會遇上更棘手的問題，就是反爬蟲，當然現在有各種各樣的反爬蟲，今天 就先介紹最簡單的一種：限制IP。
今天咱們的對手依然是業界大佬，馬雲最忌憚的男人，宅男心中愛恨交錯的對象 - JD.COM
也不用我安利，特別是程序員，有幾個沒給京東送過錢的。廢話不多說，先上工具：
1、神箭手雲爬蟲，2、Chrome瀏覽器 3、Chrome的插件XpathHelper 不知道是幹嘛的同學請移步第一課
打開網站瞅一眼：
好了，相信我，截這張圖絕對不是在虐你們這些單身狗。我們就是科學的研究一下這個頁面，沒啥特別的：大廠風，硬仗準備。
先來挑一個分類吧，這次挑一個大家都熟悉的互聯網書類：
http://search.jd.com/Search?keyword=Python&enc=utf-8&book=y&wq=Python&pvid=33xo9lni.p4a1qb
你們的最愛，python從入門到放棄的全部資料。
和前面幾節課類似的分析這節課就不做了，對於分頁，ajax請求什麼的，大家可以直接參考前面的四節課，這一刻主要特別的是，我們在採集商品的同時，會將京東的商品評價採集下來。同時呢，我們也探討下該如何應對京東對IP的限制，OK，先直接上代碼：
var configs = {
domains: ["search.jd.com","item.jd.com","club.jd.com"],
scanUrls: ["http://search.jd.com/Search?keyword=Python&enc=utf-8&qrst=1&rt=1&stop=1&book=y&vt=2&page=1&s=1&click=0"],
contentUrlRegexes: ["http://item\\.jd\\.com/\\d+.html"],
helperUrlRegexes: ["http://search\\.jd\\.com/Search\\?keyword=Python&enc=utf-8&qrst=1&rt=1&stop=1&book=y&vt=2&page=\\d+&s=1&click=0"],//可留空
fields: [
{
// 第一個抽取項
name: "title",
selector: "//div[@id='name']/h1",//默認使用XPath
required: true //是否不能爲空
},
{
// 第一個抽取項
name: "productid",
selector: "//div[contains(@class,'fl')]/span[2]",//默認使用XPath
required: true //是否不能爲空
},
{
name: "comments",
sourceType: SourceType.AttachedUrl,
attachedUrl: "http://club.jd.com/productpage/p-{productid}-s-0-t-3-p-0.html",
selectorType: SelectorType.JsonPath,
selector: "$.comments",
repeated: true,
children:[
{
name: "com_content",
selectorType: SelectorType.JsonPath,
selector: "$.content"
},
{
name: "com_nickname",
selectorType: SelectorType.JsonPath,
selector: "$.nickname"
},
]
}
]
};
configs.onProcessHelperUrl = function(url, content, site){
if(!content.indexOf("抱歉，沒有找到")){
var currentPage = parseInt(url.substring(url.indexOf("&page=") + 6));
if(currentPage == 0){
currentPage = 1;
}
var page = currentPage + 2;
var nextUrl = url.replace("&page=" + currentPage, "&page=" + page);
site.addUrl(nextUrl);
}
return true;
};
var crawler = new Crawler(configs);
crawler.start();這裏主要給大家講一下這個評論的配置，由於評論是多項，且評論還有子項，在框架中，是通過children關鍵字來配置的。具體參照代碼既可，我們 可以在子項中在定義不同的字段，像這裏的comments抽取項會有content和nickname兩個子抽取項，分別對應的是評論的內容和暱稱。
這裏是一個簡化的版本，由於京東頁面相對很複雜，我們在抽取評論的時候，只抽取前一部分評論，當然我們還可以拿到更多的信息，包括評論數，評論人的等級等等，這裏大家就自行探索吧。
最後，由於京東會對IP進行封鎖，雖然說神箭手會自動分佈式開啓爬蟲，不過依然扛不住京東大叔的封鎖，因此這裏需要通過接入代理IP解決這樣的問題，類似開啓js渲染，爬取速度會大大下降，需要大家耐心等待結果嘍，代碼如下：
configs.enableProxy = true;
大功告成，開啓爬蟲，喝杯咖啡，京東商品的評論就可以看到啦：
評論因爲是數字，因此會存儲的時候，會直接存儲成json格式：
對爬蟲感興趣的童鞋可以加qq羣討論：342953471。