前嗅大数据发表于2020年11月24日17:51最后回复于2020年11月24日17:51

前嗅ForeSpider教程:采集中国证券网

2040浏览量

0评论

以中国证券网为例,通过当前要闻分区链接到新闻列表页采集正文数据:

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在弹窗里填写采集地址,任务名称,如图2:

【图2】

③点击下一步,选择进行数据抽取还是链接抽取,本次采集要闻列表页新闻的正文数据,正文数据是通过点击列表链接进入的,所以本次需要抽取列表链接,所以点击抽取链接,如图3:

【图3】

第二步:通过地址过滤,得到所需的分区链接。

①点击采集预览,在采集预览中有于目标链接相似的其他链接,可通过地址过滤得到分区链接。找到所需要的分区链接,区别于其他链接“http://news.cnstock.com/news/sns_yw” ,右击复制链接,如图4所示。

【图4】

②勾选地址过滤,过滤规则选择包含,将复制的目标地址粘入,得到要闻分区链接,点击保存,如图5所示。

【图5】

③点击采集预览确认链接是否过滤完全,如图6:

【图6】

第三步:填写模板二示例地址并新建数据抽取

①将模板一过滤得到分区链接,作为模板二的示例地址, 见图7:

【图7】

②创建列表链接抽取、翻页链接抽取。直接点击模板二,点击上面“新建链接抽取”按钮,得到链接抽取,并重命名,如图8:

【图8】

③进行列表链接抽取,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,点击“确认选区”按钮,如图9:

【图9】

④点击采集预览确认链接是否过滤完全,如图10:

【图10】

第四步:通过标题过滤,过滤翻页链接

①点击采集预览,在采集预览中有于目标链接相似的其他链接,可通过地址过滤得到列表链接。找到所需要的列表链接,观察得出所需要的目标链接都包含“http://news.cnstock.com/news/sns_qy/” 数字,使用过滤串\d得到所需要的链接。右击复制链接,如图11所示。

过滤串规则说明:\d 表示一串(个)数字

【图11】

②勾选地址过滤,过滤规则选择包含,填入 “http://news.cnstock.com/news/sns_qy/\d” ,得到列表链接,如图12所示。

【图12】

③点击模板预览,选择翻页链接抽取,确认链接是否过滤完全,如图13

【图13】

第五步:创建新的模板,并新建数据抽取

①在模板配置,点击“新建模板”按钮,得到新建模板,重命名为正文数据模板,如图14。

【图14】

②将模板二新建链接抽取过滤得到的任意一条链接,作为模板三的示例地址, 见图15:

【图15】

③新建数据抽取。直接点击模板三,点击上面“新建数据抽取”按钮,得到数据抽取,如图16。

【图16】

④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“新建链接抽取”关联模板“新建模板:03”,如图17:

【图17】

第六步: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18。

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”后面的添加按钮,如图18。

【图18】

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、标题、发布时间、来源、作者、正文内容、采集地址共7个字段,右上角保存,表单如图19。

【图19】

③在数据抽取链接处关联表单,如图20。

【图20】

第七步:字段取值

取值方法: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。

title字段,如图21

【图21】

第八步:模板预览

①鼠标右键点击“数据抽取”,然后点击“模板预览”,如图22

【图22】

②预览结果如图23:

【图23】

第九步:采集预览

①点击右上角采集预览,如图24。

【图24】

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25、图26。

【图25】



私信

举报