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

[DotnetSpider 系列目录]

• 一、初衷与架构设计
• 二、基本使用
• 三、配置式爬虫
• 四、JSON数据解析与配置系统
• 五、如何做全站采集

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

　　　　

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 

 

参与开发或有疑问

博文写得比较早, 框架修改有时会来不及更新博文中的代码, 请查看DotnetSpider.Sample项目中的样例爬虫

QQ群: 477731655

邮箱: zlzforever@163.com