以新浪新闻为例,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新闻的正文数据,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,如图3:

【图3】

第二步:通过定位过滤、地址过滤,得到所需链接

①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,点击“确认选区”按钮,如图4:

【图4】

②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“sina.com.cn/+字符串”。使用过滤串“c”,右击复制链接,如图5所示。

过滤串规则说明:c表示一串(个)小写字母

【图5】

③勾选地址过滤,过滤规则选择包含,填入“sina.com.cn/c”,得到列表链接,如图6所示。

【图6】

④点击采集预览确认链接是否过滤完全,如图7:

【图7】

第三步:关联模板

在软件中模板的关联关系,与网页中链接跳转的关系相同。

根据网页跳转规律,将“链接列表”关联模板二“链接列表:02”,此处由于我们开始就选择了创建列表链接,所以软件自动关联好了模板二。如果配置的时候发现关联有问题,可以自己进行更改,如图8:

【图8】

第四步:填写模板二示例地址并新建数据抽取

①模板一过滤得到的任意一条链接,作为模板二的示例地址。如https://news.sina.com.cn/c/zj/2018-12-25/doc-ihqhqcis0255892.shtml, 见图9:

【图9】

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,重命名为新浪新闻,如图10:

【图10】

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。此处使用的是之前建过的新浪网的表单。

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,如图11所示:

【图11】

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。

【图12】

第六步:配置表单

根据所需内容,配置表单字段(即表头),此处配置了包括网页主键、网页标题、网页地址、网页创建时间、内容、发布来源6个字段,表单如图13:

【图13】

第七步:字段取值

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。点击“确认选区”按钮,确认操作。

text、from_addr字段,如图14:

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15:

【图15】

②预览结果如图16:

【图16】

第九步:采集预览

①点击右上角采集预览,如图17:

【图17】

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18:

【图18】

文章来源于互联网,如有雷同请联系站长删除:前嗅ForeSpider教程:采集新浪新闻

发表评论