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】
- ·前嗅Forespider爬虫的常见问题答疑详情 10498
- ·孔夫子旧书网 4239
- ·采集数据时本地IP被封怎么办? 3889
- ·前嗅ForeSpider教程:采集美团网 3570
- ·ForeSpider教程之如何进行关键词采集 3489
- ·采集配置界面介绍 2572
- ·昵图网 2223
- ·前嗅ForeSpider中数据采集界面介绍 2070
- ·前嗅ForeSpider教程:采集中国证券网 2040
- ·数据建表 1943
评论区
+ 写评论