Question

假设我有一个像这样的亚马逊产品网址

http://www.amazon.com/Kindle-Wireless-Reading-Display-Generation/dp/B0015T963C/ref=amb_link_86123711_2?pf_rd_m=ATVPDKIKX0DER&pf_rd_s=center-1&pf_rd_r=0AY9N5GXRYHCADJP5P0V&pf_rd_t=101&pf_rd_p=500528151&pf_rd_i=507846

我怎样才能使用javascript抓取ASIN？谢谢！

Answer 1

由于ASIN始终是斜线后面的10个字母和/或数字的序列，请尝试以下操作：

url.match("/([a-zA-Z0-9]{10})(?:[/?]|$)")

ASIN之后的额外(?:[/?]|$)是为了确保只采用完整路径段。

Answer 2

亚马逊的详细信息页面可以有多种形式，因此要彻底检查它们。这些都是等价的：

http://www.amazon.com/Kindle-Wireless-Reading-Display-Generation/dp/B0015T963C
http://www.amazon.com/dp/B0015T963C
http://www.amazon.com/gp/product/B0015T963C
http://www.amazon.com/gp/product/glance/B0015T963C

它们总是看起来像这样或那样：

http://www.amazon.com/<SEO STRING>/dp/<VIEW>/ASIN
http://www.amazon.com/gp/product/<VIEW>/ASIN

这应该这样做：

var url = "http://www.amazon.com/Kindle-Wireless-Reading-Display-Generation/dp/B0015T963C";
var regex = RegExp("http://www.amazon.com/([\\w-]+/)?(dp|gp/product)/(\\w+/)?(\\w{10})");
m = url.match(regex);
if (m) { 
    alert("ASIN=" + m[4]);
}

Answer 3

实际上，如果它像amazon.com/BlackBerry那样，那么最佳答案是行不通的......（因为BlackBerry也是10个字符）。

一种解决方法（假设ASIN总是大写，因为它总是从亚马逊获取）是（在Ruby中）：

        url.match("/([A-Z0-9]{10})")

我发现它可以处理数千个网址。

Answer 4

以上所有情况都不适用。我尝试过跟踪网址以匹配上面的示例：

http://www.amazon.com/Kindle-Wireless-Reading-Display-Generation/dp/B0015T963C
http://www.amazon.com/dp/B0015T963C
http://www.amazon.com/gp/product/B0015T963C
http://www.amazon.com/gp/product/glance/B0015T963C

https://www.amazon.de/gp/product/B00LGAQ7NW/ref=s9u_simh_gw_i1?ie=UTF8&pd_rd_i=B00LGAQ7NW&pd_rd_r=5GP2JGPPBAXXP8935Q61&pd_rd_w=gzhaa&pd_rd_wg=HBg7f&pf_rd_m=A3JWKAKR8XB7XF&pf_rd_s=&pf_rd_r=GA7GB6X6K6WMJC6WQ9RB&pf_rd_t=36701&pf_rd_p=c210947d-c955-4398-98aa-d1dc27e614f1&pf_rd_i=desktop

https://www.amazon.de/Sawyer-Wasserfilter-Wasseraufbereitung-Outdoor-Filter/dp/B00FA2RLX2/ref=pd_sim_200_3?_encoding=UTF8&psc=1&refRID=NMR7SMXJAKC4B3MH0HTN

https://www.amazon.de/Notverpflegung-Kg-Marine-wasserdicht-verpackt/dp/B01DFJTYSQ/ref=pd_sim_200_5?_encoding=UTF8&psc=1&refRID=7QM8MPC16XYBAZMJNMA4

https://www.amazon.de/dp/B01N32MQOA?psc=1

这是我能想到的最好的：(?:[/dp/]|$)([A-Z0-9]{10}) 这也将在所有情况下选择前置/。然后可以在以后删除它。

您可以在http://regexr.com/3gk2s

上进行测试

Answer 5

@Gumbo：你的代码很棒！

// JS测试：将其测试为firebug。

url = window.location.href;
url.match("/([a-zA-Z0-9]{10})(?:[/?]|$)");

我添加了一个同样功能的php函数。

function amazon_get_asin_code($url) {
    global $debug;

    $result = "";

    $pattern = "([a-zA-Z0-9]{10})(?:[/?]|$)";
    $pattern = escapeshellarg($pattern);

    preg_match($pattern, $url, $matches);

    if($debug) {
        var_dump($matches);
    }

    if($matches && isset($matches[1])) {
        $result = $matches[1];
    } 

    return $result;
}

Answer 6

这是我的普遍亚马逊ASIN regexp：

~(?:\b)((?=[0-9a-z]*\d)[0-9a-z]{10})(?:\b)~i

Answer 7

这可能是一种简单的方法，但我还没有发现使用此线程中提供的任何URL的错误，人们说这是一个问题。

简单地说，我取了URL，将其拆分为“/”以获取离散部分。然后循环遍历数组的内容并将它们从正则表达式中弹回。在我的例子中，变量i表示一个对象，该对象具有一个名为RawURL的属性，用于包含我正在使用的原始URL以及我正在填充的名为VendorSKU的属性。

try
            {
                string[] urlParts = i.RawURL.Split('/');
                Regex regex = new Regex(@"^[A-Z0-9]{10}");

                foreach (string part in urlParts)
                {
                    Match m = regex.Match(part);
                    if (m.Success)
                    {
                        i.VendorSKU = m.Value;
                    }
                }
            }
            catch (Exception) { }

到目前为止，这已经完美无缺。

Answer 8

受到许多答案的启发，我发现

import numpy as np x # original sample np.array of features feature_means = np.mean(x, axis=1) feature_std = np.std(x, axis=1) random_normal_feature_values = np.random.normal(feature_means, feature_std)

def generate_synthetic_data(sample_dataset, window_mean, window_std, fixed_window=None, variance_range =1 , sythesize_ratio = 2, forced_reverse = False):
    synthetic_data = pd.DataFrame(columns=sample_dataset.columns)
    synthetic_data.insert(len(sample_dataset.columns), "synthesis_seq", [], True) 


    for k in range(sythesize_ratio):
      if len(synthetic_data) >= len(sample_dataset) * sythesize_ratio:
        break;
      #this loop generates a set that resembles the entire dataset
      country_synthetic = pd.DataFrame(columns=synthetic_data.columns)

      if fixed_window != None:
        input_sequence_len =  fixed_window
      else:
        input_sequence_len = int(np.random.normal(window_mean, window_std)) 

      #population data change
      country_data_i = sample_dataset
      if len(country_data_i) < input_sequence_len :
        continue
      feature_length = configuration['feature_length'] #number of features to be randomized
      country_data_array = country_data_i.to_numpy()
      country_data_array = country_data_array.T[:feature_length]
      country_data_array = country_data_array.reshape(feature_length,len(country_data_i))
      x = country_data_array[:feature_length].T

      reversed = np.random.normal(0,1)>0
      if reversed:
        x = x[::-1]

      sets =0
      x_list = []
      dict_x = dict()
      for i in range(input_sequence_len):
        array_len = ((len(x) -i) - ((len(x)-i)%input_sequence_len))+i
        if array_len <= 0:
          continue
        sets = int( array_len/ input_sequence_len)
        if sets <= 0:
          continue

        x_temp = x[i:array_len].T.reshape(sets,feature_length,input_sequence_len)
        uniq_keys = np.array([i+(input_sequence_len*k) for k in range(sets)])
        x_temp = x_temp.reshape(feature_length,sets,input_sequence_len)
        arrays_split = np.hsplit(x_temp,sets)
        dict_x.update(dict(zip(uniq_keys, arrays_split)))

      temp_x_list  = [dict_x[i].T for i in sorted(dict_x.keys())]        
      temp_x_list = np.array(temp_x_list).squeeze()
      feature_means = np.mean(temp_x_list, axis=1)
      feature_std = np.std(temp_x_list, axis=1) /variance_range
      random_normal_feature_values = np.random.normal(feature_means, feature_std).T
      random_normal_feature_values = np.round(random_normal_feature_values,0)
      random_normal_feature_values[random_normal_feature_values < 0] = 0

      if reversed:
        random_normal_feature_values = random_normal_feature_values.T[::-1]
        random_normal_feature_values = random_normal_feature_values.T

      for i in range(len(random_normal_feature_values)):
        country_synthetic[country_synthetic.columns[i]] = random_normal_feature_values[i]

      country_synthetic['synthesis_seq'] = k
      synthetic_data = synthetic_data.append(country_synthetic, ignore_index=True)
    return synthetic_data

for i in range(1):
  directory_name = '/synthetic_'+str(i)
  mypath = source_path+ '/cleaned'+directory_name
  if os.path.exists(mypath) == False:
    os.mkdir(mypath)

  data = generate_synthetic_data(original_data, window_mean = 0,  window_std= 0, fixed_window=2 ,variance_range = 10**i, sythesize_ratio = 1)
  synthetic_data.append(data)
  #data.to_csv(mypath+'/synthetic_'+str(i)+'_dt31_05_.csv',  index=False )
  print('synth step : ', i, ' len : ', len(synthetic_data))

非常适合从URL中的任何位置提取asin。您可以在这里尝试。 https://regexr.com/56jm7

edit：添加了字符串结尾作为停止检查之一。在python中使用正则表达式时需要使用

Answer 9

尝试使用此正则表达式：

(?:[/dp/]|$)([A-Z0-9]{10})

查看演示： https://regexr.com/3gk2s

Answer 10

这样的事情应该有效（未经测试）

var match = /\/dp\/(.*?)\/ref=amb_link/.exec(amazon_url);
var asin = match ? match[1] : '';

Answer 11

Wikipedia article on ASIN（我在您的问题中已链接）提供了各种形式的Amazon网址。您可以使用match()方法轻松创建正则表达式（或一系列正则表达式）来获取此数据。

Answer 12

对第一个答案的正则表达式进行了一些改动，它适用于我测试过的所有网址。

var url = "http://www.amazon.com/Kindle-Wireless-Reading-Display-Generation/dp/B0015T963C";
m = url.match("/([a-zA-Z0-9]{10})(?:[/?]|$)");;
print(m);
if (m) { 
    print("ASIN=" + m[1]);
}

Answer 13

您可以通过获取/抓取页面内容然后通过id =“ ASIN”获取element的值来获取ASIN号。在所有情况下都可以使用，您无需依赖正则表达式。

Answer 14

这对我来说非常有效，我尝试了此页面上的所有链接以及其他一些链接：

function ExtractASIN(url){
    var ASINreg = new RegExp(/(?:\/)([A-Z0-9]{10})(?:$|\/|\?)/);
    var  cMatch = url.match(ASINreg);
    if(cMatch == null){
        return null;
    }
    return cMatch[1];
}
ExtractASIN('http://www.amazon.com/Kindle-Wireless-Reading-Display-Generation/dp/B0015T963C/ref=amb_link_86123711_2?pf_rd_m=ATVPDKIKX0DER&pf_rd_s=center-1&pf_rd_r=0AY9N5GXRYHCADJP5P0V&pf_rd_t=101&pf_rd_p=500528151&pf_rd_i=507846');

我假设ASIN是10个长度的大写字母，并且数字
我假设在ASIN之后必须是：链接的结尾，问号或斜线
我假设在ASIN之前必须是一个斜杠

Answer 15

您可以使用XPath在搜索结果的data-asin属性中scrape ASIN codes。

例如$x('//@data-asin').map(function(v,i){return v.nodeValue})可以在Chrome的控制台中运行。

Answer 16

如果ASIN始终位于URL中的该位置：

var asin= decodeURIComponent(url.split('/')[5]);

尽管ASIN获得％-escaped的可能性很小。

使用javascript从亚马逊URL抓取ASIN

16 个答案: