前嗅大数据发表于2020年3月24日18:23最后回复于2020年3月24日18:23

前嗅ForeSpider教程:字段的取值与清洗

530浏览量

0评论

今天小编为大家带来的教程是:如何在前嗅ForeSpider中进行,字段的取值与清洗。主要内容包括:自动取值字段,取值的两个方法,和字段清洗方式。具体内容如下:

一,自动取值的字段包括哪些

当字段设置为下列采集内容时,系统会自动为字段赋值。

1.网页地址:自动采集网页的URL地址。

2.网页标题:采集网页的标题。即网页<title>中的内容。

3.网页内文字文本:采集整个页面中所有可见的文字文本。

4. 网页内容:采集网页全部文本,包含html标签等,即整个页面的源代码。

5.网页创建时间:文档创建或网页发布的时间。

6.网页更新时间:文档或网页更新的时间。

7.网页获取时间:ForeSpider采集该网页的时间。

8.当前系统时间:数据采集入库的时间。

9.文档数据大小:采集对象的质量大小[单位:字节]。

10.文档名称:采集对象的文件名,如***.html,***.doc。

11.文档后缀:文档的文件名后缀,如html、pdf等。

12.文档视宽:文档的宽[如果是图片数据则为图片的宽]。

13.文档视高:文档的高[如果是图片数据则为图片的高]。

14.文档层级:自动获取从入口页当当前数据页的跳转层级数目。

15.频道ID:采集当前频道的ID。

16.频道名称:采集当前频道的名称。

二,取值方法

1.标准定位

(1)标准定位含义

通过在内置浏览器上,定位有所需数据的区域,为字段取值。大多数情况都选择“标准定位”。

(2)定位方法

①选择:按Ctrl点击页面上相应数据的区域。

②扩大选区:按Shift再次点击页面相应区域。

③确认选区:点击“确认选区”按钮,选区生效。


【标准定位】

2.特征定位

(1)特征定位含义

当所需数据在不同网页的位置不固定,且数据前后具有特征性文字时,用标准定位容易错位,需要使用特征定位。

举例:对于字符串“作者:***”,采集作者名称时,可用“作者:”作为特征来定位。

(2)特征定位的操作方法

 ① 选择:按Ctrl点击页面上所需数据的区域。

 ② 识别特征:点击“识别特征”,出现红框,再次点击,红框移动到特征字符串时确认。

 ③ 点击“确认选区”按钮,选区生效。

(3)特征定位的类型

特征定位分为四种方式:

 ① 局部关键词

当页面的数据前有特定的关键词,而各个页面的表格内容、各行次序、行数又各不相同时,采用标准定位的方式就会错乱。可以根据表头特征,采集表格后的数据。与全文关键词的区别是,局部关键词只在选定区域的附近采集。

 ② 全文关键词

根据选定的特征关键词,在全页面采集该特征关键词前后对应的数据,如果出现多个特征关键词,以第一个为主。如果想采集多个的话,可以设定多值。>>查看多值的配置方式

 ③ 大文本

选定大文本区域后,自动识别各页面的大文本,相比标准定位更加精确。

 ④ 特殊标签

采集页面中只出现一次的特殊标签,如标题的<h1>标签等。

三,字段清洗方式

在采集数据之前,通过使用字段处理,软件可以自动以某种过滤方式,清洗该字段的字符串数据。通过系统自带的或脚本的方式,可以预先清洗不需要的字符串。


【字段处理】

字段清洗的方式如下:


字段处理脚本是字段处理中选择“脚本处理”后,通过脚本进一步把需要的数据清洗干净。具体配置方法需要参考脚本文档。



作者:前嗅大数据


链接:https://www.jianshu.com/p/401fb638e981


来源:简书


著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。


发布新帖

私信

举报