乐趣区

前嗅ForeSpider教程:采集360问答

今天,小编来教大家如何采集论坛自媒体类网站的数据,该操作同样适用于其他类似网站:
第一步:新建任务①点击左上角“加号”新建任务,如图 1:

②弹窗里填写采集地址,任务名称,开启手动登录配置,如图 2:

若未在此处开启登录配置,可在模板抽取配置中点击相应的模板,开启登录配置,如图 3。

③点击下一步,选择进行数据抽取还是链接抽取,本次采集列表下的正文数据,所以本次需要抽取内容选择链接列表,所以点击抽取链接,选择链接列表,如图 4:

④完成后模板抽取配置列表有两个模板,默认模板和子栏目。默认模板下自动生成一个链接抽取,名称为链接列表,此链接抽取已与链接列表模板关联,如图 5:

第二步:配置登录① 内置浏览器找到登录按钮,弹出登录框,如图 6:

②按 Ctrl+ 鼠标左键单击“用户名输入框”,如图 7。

③填写用户名、密码,如图 8。

④点击“完成”,cookie 配置框中出现数据,按 Ctrl+ 鼠标左键单击“登录按钮”,内置浏览器页面登录成功,配置完成,如图 9。

第三步:通过地址过滤,得到所需链接。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“thread-”,右击复制链接,如图 10 所示。

②勾选地址过滤,过滤规则选择包含,填入“thread-”,得到列表链接,如图 11 所示。

③点击采集预览确认链接是否过滤完全,如图 12

第四步: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 13

第五步:创建翻页链接抽取 方法一:创建任务,勾选链接抽取,直接选择链接列表和普通翻页,如图 14。

方法二:如果创建任务时,只勾选了链接列表,可以点击上一步,回到模板层,补选翻页链接抽取,点击下一步,创建翻页链接。方法三:直接点击模板二,点击上面“新建链接抽取”按钮,得到链接抽取,并重名命为翻页链接抽取,如图 15。

第六步:通过地址过滤,得到所需翻页链接。①右击模板预览找到翻页链接,如图 16 所示。观察链接得出规律使用“page=”得到目标链接。

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, 使用共用词“page=”过滤得到目标链接,如图 17。

③点击采集预览确认链接是否过滤完全,如图 18

④关联“翻页”情况一:创建模板或通过向导,创建的翻页链接抽取,会默认关联模板一,即当前页模板,如图 19。情况二:手动点击按钮创建翻页链接抽取,需要手动关联

第七步:填写模板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,作为链接列表模板的示例地址。如:https://bbs.360.cn/thread-156…,见图 20:

②新建数据抽取。直接点击链接列表,点击上面“新建数据抽取”按钮,得到数据抽取,如图 21。

第八步:创建 / 选择表单①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,如图 22。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 如图 22。

②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、发布时间、正文内,网页标题以及网页地址五个字段,表单如图 23。

③数据抽取链接处关联表单,如图 24。

第九步:字段取值①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。pub_time、content 字段,如图 25、图 26:

②点击采集预览确数据是否采集完全,如图 27:

第十步:采集预览① 点击右上角采集预览, 如图 28:

②点击任意一条链接,看看是否可以得到和网页对应的规整的数据,如图 29:

退出移动版