以黄页88为例,采集当前列表页新闻的正文数据:

第一步:新建任务

①点击左上角“加号”新建任务,如图1:

【图1】

②在弹窗里填写采集地址,任务名称,如图2:

【图2】

③点击下一步,选择进行数据抽取还是链接抽取,本次采集当前列表页联系方式链接,正文数据是通过点击列表链接进入的,所以本次需要抽取列表链接,所以点击抽取链接,翻页选择普通翻页,如图3:

【图3】

④完成后模板抽取配置列表有两个模板,默认模板和链接列表。默认模板下自动生成两个链接抽取,一个为链接列表抽取,已与模板“链接列表”关联,一个为普通翻页链接,此链接已与默认模板自身关联,如图4。

【图4】

第二步:通过地址过滤,得到所需的联系方式链接。

①点击采集预览,在采集预览中有于目标链接相似的其他链接,可通过地址过滤得到联系方式链接。找到所需要的链接,右击复制链接,如图5所示。

【图5】

②勾选地址过滤,过滤规则选择包含,将复制的目标地址粘入,使用公共部分“company_contact.html”进行地址过滤,得到所需链接,如图6所示。

【图6】

③点击采集预览确认链接是否过滤完全,如图7

【图7】

第三步:过滤翻页链接

①在采集预览中选择普通翻页,在采集预览中有于目标链接相似的其他链接,可通过地址过滤得到列表链接。找到所需要的列表链接,观察得出所需要的目标链接都包含“pn+数字”。使用过滤串“d”,右击复制链接,如图8所示。

过滤串规则说明:d表示一串(个)数字

【图8】

②勾选地址过滤,过滤规则选择包含,填入“pnd”,得到列表链接,如图9所示。

【图9】

③右击模板一,选择模板预览,采集预览确认链接是否过滤完全,如图10:

【图10】

第四步:填写模板二示例地址并新建数据抽取

①将模板一过滤得到的任意一条链接,作为模板二的示例地址, 见图11:

【图11】

②新建数据抽取

方法一:通过点击“下一步”后勾选抽取数据,再次点击“下一步”得到数据抽取。

方法二:直接点击模板二,点击上面“新建数据抽取”

按钮,得到数据抽取,如图12

【图12】

第五步:创建/选择表单

在ForeSpider爬虫中,表单是可以复用的,所以可以在数据表单出直接选择之前建过的表单,也可以通过表单ID来进行查找并关联数据表单。此处使用的方法三。

方法一:通过下拉菜单或表单ID选择已有表单

方法二:点击创建表单进入快速建表页面,新建表单。

方法三:点击“采集配置”-“数据建表”,点击采“采集表单”后面的添加按钮,如图13:

【图13】

第六步:配置表单

根据所需内容,配置表单字段(即表头),此处配置了网页主键、联系人、联系方式、公司名称、公司网址链接共5个字段,表单如图14:

【图14】

第七步:字段取值

①在数据抽取部分导入表单:黄页

【图15】

②Per_name字段。如图16所示,绿框选中联系人,确认选区,然后选择脚本处理,取值“:”之后的姓名。

选区取值方法:按住Ctrl+鼠标左键,进行区域选择,按住Shift+鼠标左键,扩大选择区域。

代码:return VALUE.Right(“:”);

代码如图17所示。

【图16】

【图17】

③Com_name 字段。同per_name字段,绿框选中公司名称,确认选区,然后选择脚本处理,取值“:”之后的名称。

选区取值方法:按住Ctrl+鼠标左键,进行区域选择,按住Shift+鼠标左键,扩大选择区域。

代码:return VALUE.Right(“:”);

④Tel 字段。如图18所示,因为在模板预览中链接标题就是手机号,所以采用了高级取值—脚本取值。

【图18】

直接在脚本处写上“return URL.title;” 即链接标题名为手机号,如图19所示。

代码:return URL.title;

【图19】

⑤Link字段。采集内容选择网页信息>网页地址,保存即可,如图20所示。

【图20】

第八步:模板预览

①鼠标右键点击“数据抽取”,然后点击“模板预览”,如图21。

【图21】

②预览结果,如图22所示。

【图22】

第九步:采集预览

①点击右上角采集预览,如图23:

【图23】

②双击任意一条链接,看看是否可以得到和网页对应的规整的数据,如图24所示。

【图24】

文章来源于互联网,如有雷同请联系站长删除:前嗅ForeSpider教程:采集黄页88

发表评论