发表于2018年10月28日17:25最后回复于2018年10月28日17:25

ForeSpider教程之如何爬取位置不固定的图片

1185浏览量

0评论

       众所周知,对于新闻网站来说,图片位置是无法固定的,所以想要爬取到这些位置不固定的图片,需要一定的技术手段。

       以某网站为例,任务入口地址为:http://www.chengdu.cn/

一、对首页进行链接抽取。

抽取文章标题,使用地址过滤“包含”.shtml。抽取到结果如下:

二、新建模板2,抽取图片链接及内容数据:

示例地址如下:http://news.chengdu.cn/2016/0817/1810143.shtml



1.把图片链接抽取出来。

进行采集预览,查看图片的链接规律,通过地址过滤"排除"^jpg;^jpeg;^png;

^bmp;^gif。

2.为图片设置唯一标志与正文相关联。

通过标题过滤脚本return MD5(URL.urlname)给模板2的主键赋值,因为新闻图片的不规则性,需要通过某个字段将内容与图片相关联,所以此处标题过滤还有个作用就是将整个网页内容传递到模板3,起到相关联的作用。

过滤好的图片链接如下:

3.设置字段,为了将爬取到的内容分类的放入数据库中。

抽取正文页的数据,配置如下表单:

4.给字段赋值,从而获得数据。

通过定位及脚本取值,取到如下数据:



       由于新闻类网站文章的不规则性,所以某些字段是需要通过脚本取值实现的。脚本取值字段包括:hkey、author、

news_time、content、pub_web。

写脚本的字段

hkey :

return MD5(URL.urlname);//返回本页链接地址,通过MD5方法加密。

author :

return "编辑" DOM.GetTextAll(DOM.FindClass("font_gray")).Right("编辑");//在源码里找到包含作者标签的class,取出其中的文本,然后取右串“编辑”。

news_time :

return DOM.GetTextAll(DOM.FindClass("font_gray")).Left("来源");//在源码里找到包含新闻时间标签的class,取出其中的文本,然后取“来源”左侧的内容。

content :

return DOM.GetTextAll(DOM.FindClass("contxt"));//在源码里找到包含新闻事件标签的class,取出其中的文本。

pub_web :

return DOM.GetTextAll(DOM.FindClass("font_gray")).Middle("来源:"," ");//源码里找到包含文章原出处标签的class,取出其中的文本,然后取”来源”和” ”中间的内容。

三、新建模板3,抽取图片。

示例地址如下:http://upload.chengdu.cn/2016/0817/1471388513461.jpg

取图片,配置如下表单:



需要注意的是003为新闻主键,即与模板二相对应的字段。

预览的结果图如下:


这样操作不仅可以使内容和图片一一对应,也便于之后的数据导出工作。

以上就是位置不固定的图片的抽取教程,大家学会了吗?


前嗅大数据——深度大数据专家

前嗅(www.forenose.com)是首个深度大数据专家。

提供数据采集-分析-处理-管理-营销-应用,

自主知识产权的全套大数据产品。



私信

举报