XPath text() contiene un tutorial de concordancia difusa

Manos a la obra con XPath contiene para jugar con la coincidencia difusa

participar en la captura de datos del hierro viejo debe saber, se encontró con el tipo de elementos de la página web como la locha tan resbaladizo como la escena, con la contiene la función es simplemente como una cesta de bambú para atrapar la locha. Hoy vamos a tomar el caso real que decir, cómo utilizar esta herramienta con proxy IP para trabajar.

I. XPath contiene operaciones básicas

Esta cosa llamada contiene es, francamente, unDetector de palabras claveel formato es el siguiente://div[contains(text(),'keyword')]. Como castaña, quieres coger el precio de un artículo pero hay varias versiones ocultas en la página:

Tenga cuidado de no ponersímbolo especialA la fuga, se encontró ¥ este tipo de símbolos de moneda recuerde utilizar el carácter de escape de procesamiento. Si está realmente inseguro, utilice la IP dinámica de ipipgo para probar algunas versiones de página más, la probabilidad de éxito puede ser duplicado.

En segundo lugar, la combinación de oro de la tecnología IP proxy

¿Cuál es el mayor temor del rastreo por lotes, el bloqueo de IP? Este es el momento de utilizar nuestroipipgo Grupo de IP dinámicas. Juega exactamente así:

1. Cambiar aleatoriamente la IP de salida para cada solicitud
2. Cambio automático de línea al encontrar CAPTCHA
3. IP residencial estática para la captura de datos a primera hora de la mañana

Centrándonos en el tercer punto, muchos sitios están interesados enCentro de datos IPEspecialmente sensible. Usando el proxy residencial de ipipgo, disfrazado como un acceso de usuario real, con contiene para hacer fuzzy matching, la tasa de éxito puede ser de hasta 90% o más.

En tercer lugar, la batalla real en la operación de pacotilla

Recientemente, me encontré con un escollo al ayudar a un cliente a capturar datos de comercio electrónico: el título del producto se mezclaba con elsímbolo de marteLo primero que debe hacer es asegurarse de que tiene una buena idea de lo que está haciendo. Por ejemplo, [explosivo ★ caliente] este tipo de, XPath regular directamente a descansar. Más tarde con contiene (texto (), 'pop-up') y contiene (texto (), 'caliente') del método de escritura de doble seguro, junto con ipipgo sala de servidores de Hong Kong IP, solución perfecta.

En un caso aún más extremo, un sitio web divide el precio en tres partes y muestra: ￥199. Este es el momento de utilizar elcontiene+empalme de nodos://div[contains(@class,'precio')]/span[contains(text(),'9′)]

IV. Directrices para la prevención del vuelco

Un escollo común para los novatos:

• Distingue entre mayúsculas y minúsculas (se convierte con la función translate)
• Los espacios están desordenados (además de la gestión de espacios normalizados)
• Contenido cargado dinámicamente (en conjunción con ipipgo'sLas API se actualizan en tiempo realIP)

La semana pasada un compañero se moría por hacer coincidir los datos, y resultó que el sitio utilizaba elfuente anti-escalada. Enséñale a usar el proxy 4G móvil de ipipgo + contains(text(),'promover') fuzzy escribir para eludir la detección directamente.

Preguntas frecuentes sobre control de calidad

P: ¿Cómo elegir entre IP dinámica e IP estática?
R: fase de prueba con IP dinámica casualmente construir, la ejecución oficial recomienda el uso de ipipgoIP estática de larga duraciónLa estabilidad se cierne sobre sus homólogos.

P: ¿Qué debo hacer si no puedo hacer coincidir XPath?
R: primero comprueba si la IP esta baneada, cambia las ipgo'sAgentes High StashInténtelo de nuevo. Si no funciona, utilice seguros múltiples como contains(text(),'precio') o contains(text(),'$').

P: ¿Qué puedo hacer para evitar que las IP proxy afecten a la velocidad de rastreo?
R: Eso tiene que ser un cumplido para ipipgo'sOptimización de líneas BGPLa clave es establecer una buena política de rotación de IPs, no tengas que usar una única IP para todo. La clave es establecer una buena política de rotación de IPs, no utilices una IP hasta la muerte.

La última frase persistente, participar en la captura de datos es como jugar a la guerra de guerrillas, XPath es la pistola, IP proxy es chaleco antibalas. Utilice ipipgo esta arma mágica, para asegurarse de ganar cien batallas en el campo de batalla de datos. Si tiene algún problema extraño en la práctica, no dude en burlarse de nuestro hermano técnico.