乐趣区

前嗅ForeSpider教程:采集网页链接/源码/时间/重定向地址等

今天小编来为大家介绍一个非常实用又简单的操作,就是如何用前嗅 ForeSpider 采集网页链接 / 源码 / 时间 / 重定向地址,同时为了方便大家采集,前嗅 ForeSpider 已经提前把网页链接 / 源码 / 时间 / 重定向地址等采集中常有的基本项,预先写好了功能,具体步骤如下:
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,如图 2:

③ 点击下一步,勾选抽取链接,选择网页内所有链接,如图 3:

④完成后模板抽取配置列表有一个模板,默认模板。默认模板下自动生成一个链接抽取,名称为网页全部链接,如 4:

第二步:创建新的模板,并新建数据抽取①模板配置,点击“新建模板”按钮,得到新建模板,如图 5。

②新建数据抽取。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 6。

③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“网页全部链接”关联模板“新建模板 02”,如图 7:

第三步: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 8。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 8。

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、网页创建时间、网页获取时间、网页地址、全区内网页源码(包含当前标签)、选取内全部文本、选取内网页源码以及网页标题八个字段,表单如图 9。

以下字段为软件自带字段类型,无需确定选取取值。网页主键:网页唯一标识。网页创建时间:文档创建或网页发布的时间。网页获取时间:ForeSpider 采集该网页的时间。网页地址:自动采集网页的 URL 地址。选区内网页源码(包含当前标签):采集选区内全部源代码,包含当前节点标签等,即整个选区的源代码。选区内全部文本:最常用的类型。点击 Ctrl 选择绿框后,采集选区里的全部内容选区内网页源码:采集选区内全部源代码,不包含当前节点标签等。网页标题:采集网页的标题。即网页 <title> 中的内容。③ 数据抽取链接处关联表单,如图 10。

第四步:采集预览①点击击右上角采集预览, 如图 11。

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 12、图 13。

退出移动版