前嗅网络发表于2023年13月3日11:43最后回复于2023年13月3日11:43

【从零开始学爬虫】采集收视率排行数据

264浏览量

0评论

图片

l 采集网站
【场景描述】采集收视率排行数据。
【源网站介绍】收视率排行网提供收视率排行,收视率查询,电视剧收视率,综艺节目收视率和电视台收视率信息。
【使用工具】前嗅ForeSpider数据采集系统,免费下载:http://www.forenose.com/view/forespider/view/download.html

【入口网址】http://www.tvtv.hk/archives/category/tv
【采集内容】
采集收视率排行网上省级卫视收视率数据,采集字段:标题、发布时间、排行内容。
 

图片

 
【采集效果】
如下图所示:

图片

 
l 思路分析
配置思路概览: 

图片

 
l 配置步骤
一.新建采集任务
选择【采集配置】,点击任务列表右上方【+】号可新建采集任务,将采集入口地址填写在【采集地址】框中,【任务名称】自定义即可,点击下一步。
 

图片

 
二.  模板配置
1.   翻页链接采集配置
①查找翻页链接及其规律
在入口地址页内打开“F12”,按如下步骤找到翻页地址,并复制刷新后的翻页链接地址

图片

对比观察翻页链接的规律观察:随着翻页变化,页码数与请求网址(Requestrian URL)中“page/”后的数字相关。所以,其规律为:http://www.tvtv.hk/archives/category/tv/page/+翻页页码
找到翻页链接位置及其规律就可以对应去编写脚本。
②脚本的创建与编写

图片

【脚本的创建与编写】
 

脚本文本:

url u;

         for ( var i=1;i<=165;i++){

         u.title ="第"+i+"页";//页码

         u.urlname = "http://www.tvtv.hk/archives/category/tv/page/"+i;                         

         u.tmplid = 1; //模板关联

         u.entryid = CHANN.id;

         RESULT.AddLink(u,"","");

}       

 
③查看采集预览  
查看采集预览,并将链接粘贴到浏览器验证一下是否采集正确。

图片【采集预览】

 
2.   列表链接抽取配置
①添加链接抽取,更名为列表链接
②点击脚本窗口
③新建脚本
④编写列表链接抽取脚本

图片

 

脚本文本:

         var sta=DOM.FindClass("page-header","header",0);//定位到header标签

         var list=sta.next;//定位下一子标签

         while(list) {

         var link=DOM.FindClass("entry-header","header",list);//定位到header标签

         var linkin=link.child.child.child.child.next.child.child.child;//定位到列表链接所在标签

         url u;//定义一个url

         u.title = DOM.GetTextAll(link);//取标题

         u.urlname =linkin.href;//取列表链接

         u.entryid = this.id;

         u.tmplid =2;//关联数据抽取模板

         link=link.next;

         list=list.next;

         RESULT.AddLink(u,"","");//传递链接

         }

 
⑤据观察发现,列表链接规律为:http://www.tvtv.hk/archives/而翻页链接规律为:http://www.tvtv.hk/archives/category/tv/page/此处则可以用地址过滤排除翻页链接,如图;然后复制任意一个列表链接到浏览器打开验证

图片

 
3.   数据抽取
①新建模板、添加数据抽取
如下新建模板并添加数据抽取,在示例地址框内输入上一步复制的列表链接

图片【新建模板、添加数据抽取】 

②数据表结构创建
如下在表结构内创建出所需采集的字段

图片【创建表结构】 

③关联表单
数据抽取关联数据结构表单

图片【关联表单】

 
④创建并编写数据抽取脚本
如下创建脚本,并根据网页结构编写数据抽取脚本

图片【脚本的创建与编写】

 

脚本文本:

record re;//定义一个record记录集

var name=DOM.FindClass("entry-header","header",0);//定位到header标签

var cont=DOM.FindClass("entry-content","div",0);//定位到div标签

re.title=DOC.GetDom().GetTextAll(name.child);//取标题文本

re.time_sub=DOC.GetDom().GetTextAll(name.child.next.child);//取时间文本

re.content=DOC.GetDom().GetTextAll(cont).Right("排名");//取排名文本

re.id=MD5(URL.urlname)       ;//id

RESULT.AddRec(re,this.schemaid);//输出结果

 
⑤查看采集预览
查看采集预览,并核对一下内容是否采集正确。

图片【采集预览】

 
l 采集步骤
三、数据采集
1.建立数据表单:
选择【数据建表】,点击【表单列表】中该模板的表单,在【关联数据表】中选择【创建】,表名称自定义,这里命名为【shoushilv】(注意命名不能用数字、文字和特殊符号),点击【确定】。创建完成,勾选数据表,并点击右上角保存按钮。
 

图片建立关联数据表】

 
2.开始采集
选择【数据采集】,勾选任务名称,点击【开始采集】,则正式开始采集。
 

图片【开始采集】

3.导出数据
采集结束后,可以在【数据浏览】中,选择数据表查看采集数据,并可以导出数据。
 

图片【数据浏览】

 

图片【数据导出】

 
4.导出的文件打开如下图所示:

图片

【查看导出数据】
 


私信

举报