今天小编就以孔夫子旧书网的最近出版板块为例(http://www.kongfz.com/1004/)为例,教大家如何采集列表页的所有数据:
第一步:新建任务①击左上角“加号”新建任务,如图 1:
②在弹窗里填写采集地址,任务名称如图 2:
③点击下一步,选择进行数据抽取还是链接抽取,本次采集需要采集当前板块的列表页所有内容,所以只需要在同一个模板中进行翻页链接抽取以及数据抽取即可。此处需要勾选“抽取链接”-“普通翻页”以及“抽取数据”,如图 3:
第二步: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。此处使用的是的旧书网的表单,如图 4 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 5
第三步:配置表单根据所需内容,配置表单字段(即表头),此处配置了包括标题、作者、价格三个字段,表单如图 6
第四步:字段取值取值方法:由于此处活取的是列表页的数据,所以可以应用“识别列表”功能,直接取到列表数据,操作方法如下:①点击“数据抽取 - 旧书网”,按住 ctrl+ 鼠标左键点击任意一部分内容,如图 7,选中标题
②按住 Shift+ 鼠标左键继续点击,直到点击到选中整个第一条数据,如图 8
③在软件的右下角可以看到“识别列表”按钮,此时点击“识别列表”,如图 9,此时列表中的内容都已经选中。
③对每个字段进行取值, 方法依然是: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。如:price-cover 字段首先在左侧点到 price-cover 字段上, 在浏览器中对该字段进行取值.<1> 按住 ctrl+ 鼠标左键,点击“新书”<2> 按住 shift+ 鼠标左键继续点击,直到选中图 10 中的全部内容 <3> 点击右下角“确认选区”
第五步:模板预览①标右键点击“数据抽取”,然后点击“模板预览”,如图 11
②预览结果如图 12
第六步:应用定位过滤,过滤翻页链接①标点击“链接抽取 - 普通翻页”,内置浏览器拉到最底端找到翻页,如图 13
②按住 Ctrl+ 鼠标左键点击第一页,按住 shift+ 鼠标左键,扩大选区,直到选中整行,如图 14
③点击“确认选区”④点击“采集预览”查看链接过滤是否完全,此处由于只有一个模板,所以链接和数据在同一个预览框里,直接点击预览的结果如图 15
⑤点击“链接信息数目”,查看对应的链接,如图 16,由于第 9 页之后直接就是第 15 页,如果怕中间页数取不到,可以双击第 9 页试试看
第七步:采集预览双击任意一页链接, 点击“旧书网”均可得到对应的列表数据如图 17