淘宝评论采集错误

我抓取的是淘宝网产品的信息和评论。知道淘宝网内分为两种网页结构，淘宝的跟天猫的。所以做了一个主题下做了两个规则。
在打数机中，天猫的全部抓取正确，但是淘宝有的可以有的不行。按照错误线索加载，发现有的加载正确，有的加载错误。这是什么原因呢？

规则名是什么？失败线索号是多少？

Fuller 发表于 2016-6-30 10:26
规则名是什么？失败线索号是多少？

主题名称：页面记录仪采集（下分两个规则）
我目前找到两个错误，一个是宝贝下架导致定位不到抓取内容，从而抓取失败。另一个是网页上结构发生变化，没有原来映射的内容，抓取失败。如下图：这个地方本来是标价格的，现在必须登陆后才能看。

759924607 发表于 2016-6-30 10:36
主题名称：页面记录仪采集（下分两个规则）
我目前找到两个错误，一个是宝贝下架导致定位不到抓取内容， ...

对于下架的网页，可以在同个主题下，再做一个规则专门抓下架的产品页面；也可以不管它，这样采集失败了就会去采集下一条线索。
对于需要登录才能看到的信息，你就要先在浏览器上登陆好账号，再打开爬虫去采数据。
对于某些商品可能不存在的信息，规则中就不要对这个抓取内容设置关键内容；对于可能不存在的信息，也可以在规则中自定义xpath解决。

关于“抓取成功，但爬虫参数还有优化空间以提高抓取速度”的日志，可以参照这篇文章优化：http://www.gooseeker.com/doc/thread-233-1-1.html

ym 发表于 2016-6-30 11:35
对于下架的网页，可以在同个主题下，再做一个规则专门抓下架的产品页面；也可以不管它，这样采集失败了就 ...

像这种，我无论咋做内容定位都是失败。是我选的不对吗？我做网页标记一般选淘宝网的网址。@src或者@href。定位标志也都做了。总之再次加载就会清空。

当然这只是一部分了。淘宝页面内，别的也是，价格、详情信息这些。就是定位不到。测试的时候还行，再次加载就没了。

759924607 发表于 2016-6-30 16:29
像这种，我无论咋做内容定位都是失败。是我选的不对吗？我做网页标记一般选淘宝网的网址。@src或者@href ...

作为标志的抓取内容，最好要用自定义xpath，里面含有这样的语句  contains(., 'xxxx')，比如，如果是src，可能是这样  contains(@src, 'taobao')，表示只有是淘宝的网址才符合。

如果没有自定义xpath，那么只是判断这个src是否存在，对于一个复杂网页来说，src肯定会有。

另外，尽量用上定位标志映射

Fuller 发表于 2016-6-30 17:42
作为标志的抓取内容，最好要用自定义xpath，里面含有这样的语句  contains(., 'xxxx')，比如，如果是src ...

定位标志我一般都会用到，就这些用上也没显示。那我再了解一下Xpath吧。您的意思就是，用自定义Xpath就可以解决这个问题了吧？

759924607 发表于 2016-6-30 17:58
定位标志我一般都会用到，就这些用上也没显示。那我再了解一下Xpath吧。您的意思就是，用自定义Xpath就可 ...

只是给标志映射一下，因为网页上有很多src，这样的映射可能会没有约束力，所以，在这种情况下应该用上自定义xpath，里面要含一个contains()函数，进一步约束一下