前嗅大数据发表于2020年11月9日17:20最后回复于2020年11月9日17:20

采集网页链接/源码/时间/重定向地址等

560浏览量

0评论

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弹窗里填写采集地址,任务名称,如图2:

【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:

【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:

【图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。

【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。

 

【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:

 

【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。

【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。

【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。

【图10】

第四步:采集预览

①点击击右上角采集预览,如图11。

【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。

【图12】

 

————————————————

版权声明:本文为CSDN博主「雨霖铃儿」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。

原文链接:https://blog.csdn.net/u011231755/article/details/86471729


私信

举报