在程序里面輸入你想爬取的商品名字，就可以返回這件商品在亞馬遜搜索中都所有相關商品的信息，包括名字和價格。
解決了在爬取亞馬遜時候，亞馬遜可以識別出你的爬蟲，並返回503，造成只能爬取幾個頁面的問題。
除此之外亞馬遜網頁代碼寫得非常的亂啊(可能是我個人問題？)，要想提取里面的信息非常麻煩。
純JAVA編寫，用的都是java自帶的庫。
先展示一下效果圖：
商品頁面：
爬取的信息頁面(消除重復了)：
名字和價格是絕對正確的，例如上圖31行的商品：
主要思路是這樣的：
1、打開搜索的列表頁，然后抽取所有商品頁的url和下一頁的url，加入爬取的隊列。
2、判斷若是列表頁則重復步驟1，若是商品詳細信息的頁面，提取商品名稱和價格到一個文件中。
遇到的主要問題：
1、亞馬遜的頁面限制流量，如果在限定的時間內訪問次數太多，就會返回503。一般是爬取幾張頁面后就不能繼續下去了。如圖：
解決辦法是：
a、盡量模仿瀏覽器，辦法就是設置User-Agent啦！用一個數組存了 多個User-Agent，然后隨機調用。
b、降速，適當延長兩次請求的時間。
c、去重，重復的url
d、掛代理，這個就算了，太復雜
2、亞馬遜的代碼很亂！提取有用的信息十分困難。不過細心找還是能發現規律的，我用正則表達式來提取的。
亞馬遜搜索頁面的url(就是搜索商品后回車的頁面)：
"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;
對於商品頁面的抽取，商品名字和價格的抽取等等在代碼里面。
3、在列表里面會有同一件商品的3~4個url名字，可以跳轉到名字部分，圖文信息部分還有評論部分的。
要判斷如果這些頁面的商品編號相同，就只取一個就好了。例如：
http://www.amazon.cn/%E6%89%8B%E6%9C%BA-%E9%80%9A%E8%AE%AF/dp/B00OB5T26S......
dp后面是商品編號。
代碼只爬取了搜索頁的第一頁，因為第一頁的商品最貼近我們想要的東西，而且后面的頁面很多都是重復的或者是不相關的了。
除了我們搜索一個品牌才會有很多頁，一般搜索具體的東西還是第一頁比較靠譜。當然，也可以爬取后面的頁面啦，url在html中，自己提取就行。
public class amazon { public static int i=0; //用來儲存上一個商品編號，看有沒有重復 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>(); //要輸入到file中 public static File file; //15個ua隨機用，減少503的機率 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{ //補全targer的搜索頁面 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++; } //先打開輸入流 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); //隨機調用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]; //把數據裝進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()); //判斷頁面類型 Pattern pp_goods = Pattern.compile("http://www(.+?)/dp/(.+)"); Matcher m_goods = pp_goods.matcher(target); //如果是商品頁面 if(m_goods.find()){ System.out.println("This is goods page"); //提取名字和價格 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); //文件寫操作 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(); } //其他就是列表頁面了 else{ //提取里面的商品url m_goods = p_goods.matcher(content); int count = 0; //提取這個url的編號 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！！！！！！！！！ //如果不等於上一個商品編號，才將該url加入隊列 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{ //直接輸入商品名字就好了 String target = "macbook pro"; amazon.action(target); //如果隊列非空，則一直進行 while(!data.isEmpty()){ amazon.action(data.poll()); } } }
效果：
才第一頁就已經比較多無用的東西了，比如保護膜什么什么的。我一開始是爬取了很多頁面的，但發現后面都是一些沒用的東西，所以后面的頁面意義不大。
其實真正高效的話，還是要用到多線程和一些去重技術，這里只是一個簡單的實例。