< 返回文档列表
2.1.6 需要登录才能采集的网站
noInitnoInit

360问答(https://bbs.360.cn/forum-231-1.html)为例。

一.网站结构

1.网站截图说明

某些网站需要登录后才可进行内容的采集,登录时需先对登录信息输入位置进行定位,便于后续采集。

 

【网站登录页】

 

【采集列表页】

2.采集结果截图

 

【检索列表链接】

 

【检索结果数据】

 

二.配置模板

1.新建任务

 

【新建任务】

2.新建采集任务

 

【新建采集任务】

本次采集列表下的正文数据,所以本次需要抽取内容选择【链接列表】,为了将每一页的内容都成功采集选择【普通翻页】。

3.配置登录

 

【网站登录界面】

①内置浏览器找到登录按钮,弹出登录框。

 

【网站登录顺序】

②先点击【用户名】。

 

【输入框定位】

③如上图,对【用户名输入框】进行定位,crtl+左键点击【用户名输入框】的位置,直至被绿色框住代表定位成功,并按此方式完成密码的位置定位。

 

【定位成功界面】

④【用户名】和【密码】定位完成后,点击完成,cookie配置框中出现数据,按Ctrl+鼠标左键单击“登录按钮”,内置浏览器页面登录成功,配置完成。

4.配置模板

 

【采集预览】

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“thread-”。

 

【地址过滤】

②勾选地址过滤,过滤规则选择包含,填入“thread-”。

 

【标题过滤】

③勾选标题过滤,过滤规则选择包含,填入“下一页”。

 

【采集预览】

④点击采集预览,下一页和包含"thread-"的内容都被成功过滤,如下图:

5.模板关联

        

【模板关联1】

根据网页跳转规律,将【链接列表】关联【链接列表:02】,【普通翻页】关联【默认模板:01】,此处软件已自动进行了关联,如果配置时发现关联有问题,可自行进行更改。

6.数据抽取

 

【数据抽取】

将模板一过滤得到的任意一条链接,作为链接列表模板的示例地址。如:https://bbs.360.cn/thread-15646770-1-1.html

7.新建数据抽取

 

【新建数据抽取】

新建数据抽取。直接点击链接列表,点击上面“新建数据抽取” 按钮,得到数据抽取。

8.创建/选择表结构

①创建表结构

 

【创建表结构】

②配置表结构

 

【配置表结构】

根据所需内容,配置表结构字段,此处配置了包括网页主键、发布时间、正文内,网页标题以及网页地址五个字段,以配置发布时间(pubtime)为例。

③数据抽取节点,关联表结构。

 

【关联表结构】

选择刚才新创建的表结构“360问答”。

9.字段定位

 

【字段定位】

主键字段自动生成无需定位,以pubtime字段为例进行定位,如下图所示,将各字段依次定位。

10.采集预览

 

【采集预览】

字段定位完成后,进行采集预览,查看是否所需内容都被采集进来。

11.关联数据表

表结构配置完毕后,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。然后就可以采集数据了。