一些门户或平台网站的数据获取与分析

1. 为了推广，有目的地爬一些邮件，群发广告； 2. 做一个博客管理软件，同时管理新浪、网易、搜狐的个人博客； 3. 淘宝商家在推广一个新宝贝时候，根据关键词的热度对它进行标签标示； 4. 朋友参与一个网络投票活动，可能帮他刷点票； 5. 。。。。。 等等，这些东东，所谓“网络应用”乍一看没什么技术含量，当你通过网络得知“某一款淘宝客工具有近万用户，每个用户每月都要支付***”，一款商务快车（制造网络垃圾）的东东是那么地受推崇——你或许会感叹一声，现在的web啊。。。 Well，言归正传，要解决类似的需求，我抛个砖，大家可以拍砖，当然更欢迎补充—— 1. 准备好你的Tools Box：         喜欢Web Spider的，去open-open.com上找几个热门的，通过文档学习这些东东偶就不累述了；         寻找一个自己熟悉的脚本语言（灵活点在这里好处你会慢慢发现的）——推荐PHP Ruby/Python——如果你和我一样有点少数人倾向，Groovy/Scala也不错；         浏览器的辅助，这个在一些复杂的http交互环境中更显得重要——推荐Firefox的HttpFox，还有就是Chrome自带的js调试面板和Network面板； 2. 编程语言上的工具：         这些需求好多都是在模拟Http请求，所以一个Http Client之类的库是不可少的——有的童鞋会想到HttpUnit（Java）的可以直接提供模拟浏览器文档模型和事件驱动，但当你用过你就知道，开源的js库能做到跨浏览器的还真不多。。。         更好的封装——CURL工具或Restful Client之类的库，这个看个人喜好，自己通过文档一样可以在HttpClient上弄出比如权限认证之类的。。。         和具体需求相关的一些专用工具或网络资源——比如Sina Weibo SDK，TaobaoClient等，一些代理IP列表。。。 3. 一个好的文本编辑器——你可以称它为一个IDE，但是对于脚本来说，像Eclipse/NetBeans/VS之类的，不如EditPlus Vim Notepad++ MadEdit Geany UltraEdit来的方便——别说你还没能熟练地运用其中的一款，恭喜你，你作为一个Coder还有很大的提升空间（题外话）——但当你真正熟悉其中一个时，你会爱死他的。。。 我以前的博客写过一些关于网络抓取、代理投票、门户网站登录发博等文章了，总得来说，其内容零零散散，代码也片片的，下面我以最近的一个淘宝上的需求为例说明下具体解决过程—— 1. 需求：作为一个卖家，获取所有的会员信息记录和交易记录，从中分析出Email和手机号，然后进行邮件群发和短信群发以作推广。 2. 背景：如果你没接触过淘宝卖家的那些后台功能，没关系，我简单说下——Taobao提供的SDK中Email\手机号在API文档里是搞不出来的。Taotao提供一个发站内信和Email的工具，价格好像每封2分，如果会员有10000个，这个功能如果自己能搞了，可以省下200快钱呢！而且Taobao发站内信还做了时间间隔的限制（一段时间内至多发几次） 3. 思路：模拟登陆，模拟请求获取源码，然后分析——太俗套了，本质上还是Spider，哈哈，BS下自己。。。 4. 过程：我只提几个——         Taobao的用户密码：一般这帮网站都会用一堆加了密的Js对密码再进行加密然后再提交的，这个时候HttpFox就很有帮助了，具体使用有个小技巧——在Post Data里Copy All Rows然后再用正则替换下，就成了一个标准的请求参数Map了——别真一个个手工去敲；还有就是好多Form都有Token； 5. 参考：http://www./topic/593801 6. 代码（进行修改和整合的）——如果你想用多个类，更职责分明或更优美一点的话，一点都不是什么难事儿。         package app import groovy.sql.Sql import org.apache.http.HttpEntity import org.apache.http.HttpResponse import org.apache.http.client.ClientProtocolException import org.apache.http.client.HttpClient import org.apache.http.params.HttpProtocolParams import org.apache.http.client.methods.* import org.apache.http.impl.client.DefaultHttpClient import org.apache.http.entity.StringEntity import org.apache.http.util.EntityUtils import org.apache.http.client.entity.UrlEncodedFormEntity import org.apache.http.NameValuePair import org.apache.http.message.BasicNameValuePair def static String parseResp(HttpEntity respEntity){         String encoding = 'gbk'         StringBuffer sb = new StringBuffer()         BufferedReader reader = new BufferedReader(                 new InputStreamReader(respEntity.getContent(), encoding))         String line = null         while ((line = reader.readLine()) != null) {                    sb.append(line)                 sb.append("\n")         }         return sb.toString() } def static String get(HttpClient httpclient, String host, String targetURL){         HttpGet gg = new HttpGet(host)         gg.setURI(new URI(targetURL))         HttpResponse response = httpclient.execute(gg)         HttpEntity respEntity = response.getEntity()         String rr = parseResp(respEntity)         if (respEntity != null) {                 respEntity.consumeContent()         }         return rr } def static String post(HttpClient httpclient, String targetURL, Map paramList){         String urlEncoding = 'gbk'         HttpPost httppost = new HttpPost(targetURL)         List<NameValuePair> nvps = new ArrayList<NameValuePair>()         if(paramList){                 paramList.each{k, v ->                         nvps.add(new BasicNameValuePair(k, v))                 }         }         httppost.setEntity(new UrlEncodedFormEntity(nvps, urlEncoding))         HttpResponse response = httpclient.execute(httppost)         HttpEntity respEntity = response.getEntity()         String rr = parseResp(respEntity)         if (respEntity != null) {                 respEntity.consumeContent()         }         return rr } // ****************************** String host = 'https://login.taobao.com/' // TODO String uu = '你的账户名' String seller_id = '你的卖家ID' // 这个通过HttpWatch看下就知道 // 这2个通过HttpWatch看下就知道 String pp = 'XXX' // 加过密的密码 String xxtid = 'XOR_1_000000000000000000000000000000_63584557457974767E740B7F' // tid // 表示全局的一个表单token String token = '' // 一共就一个实例 HttpClient httpclient = new DefaultHttpClient() // 如果不想把数据保存到数据库，这里也没什么事儿了 Map p = [         url:'jdbc:h2:~/h2-data/taobao_member',         u:'u',         p:'p',         driver:'org.h2.Driver' ] Sql db = Sql.newInstance(p.url, p.u, p.p, p.driver) // 取得登陆token String r1 = get(httpclient, host,         'https://login.taobao.com/member/login.jhtml') (r1 =~ /_tb_token_' type='hidden' value='([^']+)'/).each{         token = it[1] } // 登陆Post的表单参数 Map params = [         TPL_username:uu,         TPL_password:pp,         TPL_redirect_url:'',         tid:xxtid,         _tb_token_:token,         action:'Authenticator',         event_submit_do_login:'anything',         from:'tb',         fc:'2',         style:'default',         support:'000001',         CtrlVersion:'1,0,0,7',         loginType:'4',         minititle:'',         minipara:'',         pstrong:'',         longLogin:'-1',         llnick:'',         sign:'',         need_sign:'',         isIgnore:'',         popid:'',         callback:'',         guf:'',         not_duplite_str:'',         need_user_id:'',         poy:'',         gvfdcname:'10',         from_encoding:'' ] // 登陆 post(httpclient, 'https://login.taobao.com/member/login.jhtml', params) // 根据会员关系管理的会员列表获取会员信息 //String rr = get(httpclient, host, 'http://ecrm.taobao.com/member/member_list.htm') //(rr =~ /_tb_token_' type='hidden' value='([^']+)'/).each{ //        token = it[1] //} // //Map params_member_ll = [ //        _tb_token_: token, //        page: '1', //        sellerId: seller_id, //        buyerId: '', //        maxAmount: '0', //        minAmount: '0', //        maxCount: '0', //        minCount: '0', //        memberInfo: '', //        buyerNick: '', //        relation: '0', //        minTradeCount: '', //        maxTradeCount: '', //        minTradeAmount: '', //        maxTradeAmount: '', //        startTradeTime: '', //        endTradeTime: '', //        status: '0' //] // //int max_page = 100 //(1..max_page).each{ //        List member_ll = [] // //        params_member_ll.page = it + '' //        String rr2 = post(httpclient, 'http://ecrm.taobao.com/member/member_list.htm', params_member_ll) // //        // <a href="http://ecrm.taobao.com/member/member_detail.htm?seller_id=&buyer_id=372068812&status=1">837821089_88</a> //        (rr2 =~ /<a href="(http:\/\/ecrm\.taobao\.com\/member\/member_detail\.htm\?seller_id=(\d+)&buyer_id=(\d+)&status=\d)">([^<]+)<\/a>/).each{ //                Map item = [:] //                item.url = it[1].replaceAll(/&/, '&') //                item.seller_id = it[2] //                item.buyer_id = it[3] //                item.nick = it[4] // //                member_ll << item //        } // //        member_ll.each{ //                String dd = get(httpclient, host, it.url) //                (dd =~ /买家姓名：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.name = gg[1] //                } //                (dd =~ /买家性别：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.gender = gg[1].trim() //                } //                (dd =~ /买家生日：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.birth = gg[1] //                } //                (dd =~ /交易量(笔)：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.transf_num = gg[1] //                } //                (dd =~ /交易额(元)：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.transf_amount = gg[1] //                } //                (dd =~ /省份：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.prov = gg[1] //                } //                (dd =~ /城市：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.prov = gg[1] //                } //                (dd =~ /城市：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.city = gg[1] //                } //                (dd =~ /电子邮箱：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg -> //                        it.email = gg[1] //                } //                (dd =~ /b_red_(\d+)\.gif/).each{gg -> //                        it.credit = gg[1] //                } //        } //        member_ll.each{ //                List args = [it.buyer_id, it.nick, it.name, it.gender, //                        it.prov, it.city, it.email, it.credit] //                db.executeInsert("insert into taobao_member(uid, nick, name, gender, " + //                        "prov, city, email, credit) values (?,?,?,?,?,?,?,?)", args) // //                println 'Add ok for ' + it.nick //        } //} // 根据成功交易获取 联系人 手机 和收货地址 Map trade_param_ll = [         event_submit_do_query:'1',         user_type:'1',         pageNum:'1',         isArchive:'false',         order:'desc',         order_type:'orderList',         isArchiveDefault:'0',         isQueryMore:'false',         select_shop_name:'',         isOwnOfficialShop:'false',         sellerNumID:seller_id,         '_fmt.q._0.a':'',         '_fmt.q._0.bi':'',         '_fmt.q._0.biz':'00:00',         '_fmt.q._0.bizo':'',         '_fmt.q._0.bizor':'00:00',         '_fmt.q._0.b':'',         '_fmt.q._0.au':'SUCCESS',         '_fmt.q._0.c':'ALL',         '_fmt.q._0.bizord':'',         '_fmt.q._0.l':'ALL',         '_fmt.q._0.t':'ALL',         '_fmt.q._0.sh':'All',         action:'itemlist/QueryAction',         fromTag:'true'        ] // TODO 这个交易的是总页数 int max_page = 100 (1..max_page).each{         List member_ll = []         trade_param_ll.pageNum = it + ''         String rr2 = post(httpclient, 'http://trade.taobao.com/trade/itemlist/list_sold_items.htm', trade_param_ll)         // <a href="http://trade.taobao.com/trade/detail/trade_item_detail.htm?bizOrderId=45055548819742&his=false" class="detail-link" target="_blank">详情</a>         (rr2 =~ /<a href="(http:\/\/trade\.taobao\.com\/trade\/detail\/trade_item_detail\.htm[^"]+)" class="detail-link" target="_blank">/).each{                 Map item = [:]                 item.url = it[1]                 member_ll << item         }         member_ll.each{                 String dd = get(httpclient, host, it.url)                 (dd =~ /收货地址：<\/th>[^<]+<td>([^<]+)<\/td>/).each{gg ->                         it.info = gg[1]                 }                 (dd =~ /<span class="nickname">([^<]+)<\/span>/).each{gg ->                         it.nick = gg[1]                 }         }         member_ll.each{                 def item = db.firstRow("select id from taobao_member_trade where info = ?", [it.info])                 if(item){                         println 'Skip trade for ' + it.nick                 }else{                         List args = [it.info, it.nick]                         db.executeUpdate("insert into taobao_member_trade(info, nick) values (?,?)", args)                         println 'Add trade ok for ' + it.nick                 }         } } httpclient.getConnectionManager().shutdown()