前嗅大数据发表于2020年2月11日17:00最后回复于2020年2月11日17:00

前嗅ForeSpider采集配置界面介绍

82浏览量

0评论

启动ForeSpider采集软件后,默认界面如图所示。ROOT任务下有已经配置好的示例模板,点击网站图标即可进行采集预览。可在任务列表选择某一任务按照需求重新配置。

【采集配置界面】

1.任务列表

【任务列表】

任务对应着采集来源,通常一个采集来源对应着一个任务。如采集人民网时,人民网就是一个任务;通过百度采集全网信息时,百度就是一个任务;通过100个网址导航采集全球域名时,这100个网址导航就是一个任务。

2.任务属性配置

用户可根据采集需求与网站的设置选择性的配置任务属性。 任务属性配置包括登录网站、关键词采集、浏览器采集、采集类型、禁用Cookie及Cookie设置6个部分。

【任务属性配置】

(1)登录网站

如果采集源的数据需要登录才可以采集到,则需要配置登录信息。开启登录后,右侧会出现操作向导。

(2)关键词采集

当采集对象是搜索栏时,需要进行关键词搜索配置。开启关键词采集后,右侧会出现操作向导。

当网站登录与采集登录同时开启时,可在任务属性配置栏右侧切换操作向导。

【登录与关键词采集】

(3)浏览器采集

通过浏览器插件的方式采集数据。适用于大量JS生成且采集难度大的网页。对JS支持好,近乎于在浏览器上点击,但采集效率低。

(4)采集类型

采集类型分为默认(html)和本地文件目录两种。

(5)禁用Cookie

禁止使用Cookie解析网页。

(6)Cookie

当网站需要Cookie验证才能采集时,需要配置Cookie信息。

3.模板抽取配置

【模板抽取配置】

添加模板

删除模板、链接抽取或数据抽取  

添加链接抽取

添加数据抽取

(1)模板

模板通过一个示例地址,模板化同一层级的页面,从而达到批量采集的效果。一个模板对应一个层级的页面,因此同一层页面只能配置一个模板,填写一个示例地址,但是一个模板中可以创建多个链接、数据抽取,每个链接 抽取都要关联其他模板。

通过模板之间的关联,模拟网站各页面的跳转关系。通过链接抽取,抽出网页中的链接。通过数据抽取,抓取网页中的数据。

(2)模板属性配置

【模板属性配置】

①抽取类型选择

抽取类型包括链接抽取和数据抽取。

【抽取类型选择】

②示例地址

示例地址作为样例,成为模板,通过以该地址配置模板,可以抓取与该地址在同一层级、具有相似结构的页面数据。

任务第一个模板的示例地址默认为创建任务时填写的采集地址。

【示例地址】

③高级选项

高级选项包括字符编码、文档类型、网页类型、主题过滤、未匹配处理模板5个部分。(不常用功能)

【高级选项】

(3)链接(网址)配置

【链接(网址)配置】

①关联模板

关联模板是指该“链接抽取”抽取出的链接,其下一层级页面对应的模板,也就是在浏览器中,点击链接打开的下一层页面。通过模板之间的关联,可以将网站各层级页面关联起来,在软件中形成与浏览器相同的跳转结构,从而完整的采集数据。

②链接类型

链接类型可分为普通网页链接、图片视频等资源链接和自定义类型三种。默认选择普通网页链接。

③智能过滤

智能过滤可以一键过滤出,链接地址规律相同的链接。适用于大多数情况,如过滤的不正确,可以使用地址/标题过滤。

④定位过滤

定位过滤是通过内置浏览器定位,适用于所需链接都集中在一小片区域的情况。

⑤地址/标题过滤

为了在抽取的链接中去除无关链接,有两种过滤方式,配置方式相同。地址过滤是通过url地址的规律,过滤无关链接。标题过滤是通过链接标题的规律,过滤无关链接。

(4)数据属性配置

【数据属性配置】

①数据表单

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。

②点击创建表达

若在数据抽取链接下,没有相应表单可供选择,可点击“创建表单”按钮,快速创建表单。可添加表单名称、字段名称,选择字段类型、表单模板。

③数据存储方式

指的是数据采集时,在数据库里的存储方式。

④列表数据

识别列表用于存储表格/列表的数据,将表格/列表的不同列对应存入不同字段,表格/列表的不同行分别存储为数据表的多条记录。

4.采集地址

采集对象的入口地址(url地址)。比如采集整个淘宝网全部商品的信息,淘宝网首页就是入口地址。比如只采集“女装”类别的商品信息,“女装”首页就是入口地址。

【采集地址】

5.内置浏览器

模拟不同版本的浏览器。填入采集地址,可点击内置浏览器显示采集页面。

【内置浏览器】


发布新帖

私信

举报