以安居客为例,https://tianjin.anjuke.com/sale/?from=navigation
一.网站内容
1.网站截图说明
本教程以采集“二手房”列表页链接内的正文数据为例,故链接入口应该为“二手房”板块的网址(https://tianjin.anjuke.com/sale/?from=navigation)
①点击官网,找到“二手房”点进进入,如下图红框所示。
②进入“二手房”复制该链接,如红框所示:
2.采集结果截图
二.操作方法
1.新建任务
按图片数字所示,1-2-3完成新建任务的步骤。
点击“下一步”,需要采集正文数据,所以此处需要勾选【链接列表】和【普通翻页】,如图,最后点击“完成”即可。
2.链接抽取配置
①内置浏览器显示搜索页面后,按照提示:ctrl+左键单击文章标题。
②点击【确认选区】按钮,也可以在右侧地址过滤设置过滤规则。
③最后点击右上角的【采集预览】查看是有内容,如下图:
3.翻页配置
采集页内含其它多链接,这时需要将翻页进行配置,以便将该页面内所有链接内容都可抽取出来。
按照图示数据操作:
①点击左侧“链接抽取:普通翻页”
②Ctrl+鼠标左键点击“下一页”
③点击右下角,选择“标题过滤”,过滤规则选择“包含”,手动输入“下一页”即可。
4.翻页采集预览
接第3步,点击右上角【采集预览】查看是否可生成如下图的链接和数据。
注:下图的预览内含所有下一页包含的链接。
5.数据抽取
在【新建任务】中输入的网址只是我们想采集的预览页面,具体采集的正文内容(数据)需要进入详情。
按照图示数据操作:
①双击左侧红框位置,可自定义名称,这里我们取“正文”。
②勾选【抽取数据】将对应的层级链接复制粘贴到【示例地址】中,最后点击“下一步”即可完成。(https://tianjin.anjuke.com/prop/view/A1887705624?from=filter&spread=commsearch_p&uniqid=pc5dd256fa182d89.39922172&position=1&kwtype=filter&now_time=1574065914)
6.配置表结构
如图示点击【数据建表】:
①点击“采集配置”-“数据建表”。
②点击“+”,新建表结构并自定义名称,这里取“安居客”。
根据所需内容,配置表结构字段,此处配置了包括主键、房屋信息、房屋编号、发布时间、文章内容等等。表结构建立如下:
字段名称:hkey
A.采集内容:选择“主键”。
B.数据类型:选择“长数字”。
C.字段属性:选择 “索引字段”、“键值唯一”、“主键字段”。
字段名称:suozaixiaoqu
A.采集内容:选择“选区内可见文本”。
B.数据类型:选择“字符串”。
C.数据长度:选择 范围10-20即可,最后点击确定。
字段名称:suozaiweizhi
A.采集内容:选择“选区内可见文本”。
B.数据类型:选择“字符串”。
C.数据长度:选择 范围10-20即可,最后点击确定。
表结构配置字段自定义即可,如有其他需求可按上述类似操作即可。最终呈现如下图:
7.关联数据表
表结构配置完毕后,需要进行数据关联,操作如下:
选择所需的表结构,点击【创建】按钮。创建表名称可随意填写,需注意开头仅可使用英文字母,可加数字。中文名称不能作为表名称。
8.字段取值
操作如下图所示:
①字段:suozaixiaoqu
A.在左侧“安客居”下属字段中点击suozaixiaoqu。
B.找到“所属小区”对应信息“金城艺术家”并ctrl+左键点击选中该选区。
C.最后点击“确认选区”即可。
②字段:suozaiweizhi
A.在左侧“安客居”下属字段中点击“suozaiweizhi”。
B.找到“所属位置”对应信息“西青-精武-津来公路,近工一号路”并ctrl+左键点击选中该选区。
C.最后点击“确认选区”即可。
注意:主键无需确认选区,操作过程中要随时点击“保存”,养成良好习惯。
9.模板预览
通过预览,可以了解配置是否能够正确地采集到所需正文数据。鼠标右键后选择【链接列表】,可以单独预览某个链接的数据。