以CSDN(https://blog.csdn.net/nav/career)为例,采集当前列表页博文的正文数据:
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,本次采集当前列表页博文的正文数据,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:通过定位过滤,得到所需链接
①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4:
【图4】
②点击采集预览确认链接是否过滤完全,如图5所示。
【图5】
第三步: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“链接列表”关联模板二“链接列表:02”,此处由于我们开始就选择了创建列表链接,所以软件自动关联好了模板二。如果配置的时候发现关联有问题,可以自己进行更改,如图6:
【图6】
第四步:填写模板二示例地址并新建数据抽取
①将模板一过滤得到的任意一条链接,作为模板二的示例地址。如:https://blog.csdn.net/voke_/article/details/76418116, 见图7:
【图7】
②新建数据抽取
方法一:通过点击“下一步”后勾选抽取数据,再次点击“下一步”得到数据抽取。
方法二:直接点击模板二,点击上面“新建数据抽取”按钮,得到数据抽取,如图8:
【图8】
第五步:创建/选择表单
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。此处使用的是之前建过的CSDN的表单。
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,如图9所示:
【图9】
方法三:点击“采集配置”-“数据建表”,点击采“采集表单”后面的如图10:
【图10】
第六步: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、网页标题、访问数量、正文、作者5个字段,表单如图11:
【图11】
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。
read_num、text、author字段,如图12:
【图12】
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13:
【图13】
②预览结果如图14:
【图14】
第九步:采集预览
①点击右上角采集预览,如图15:
【图15】
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16:
【图16】
原文地址:http://blog.51cto.com/13915865/2347020