前嗅(www.forenose.com)是国内领先的深度大数据专家,我们拥有从数据采集、分析、处理、管理、应用到营销,完 全独立知识产权的一整套大数据产品。前嗅致力于以深厚的技术功底和海量的数据资源打造国内第一家深度大数据平台!
分类: 大数据
2019-01-24 09:08:56
以中国证券网(http://www.cnstock.com/help/ditu.htm)为例,通过当前要闻分区链接到新闻列表页采集正文数据:
第一步:
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,本次采集要闻列表页新闻的正文数据,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,得到所需的分区链接。
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分区链接。找到所需要的分区链接,区别于其他链接“http://news.cnstock.com/news/sns_yw”,右击复制链接,如图4所示。
【图4】
②勾选地址过滤,过滤规则选择包含,将复制的目标地址粘入,得到要闻分区链接,如图5所示。
【图5】
③点击采集预览确认链接是否过滤完全,如图6
【图6】
第三步:填写模板二示例地址并新建数据抽取
①将模板一过滤得到分区链接,作为模板二的示例地址。如:http://news.cnstock.com/news/sns_qy/index.html, 见图7:
【图7】
②创建列表链接抽取、翻页链接抽取。直接点击模板二,点击上面“新建链接抽取”按钮,得到链接抽取,如图8:
【图8】
③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9:
【图9】
④点击采集预览确认链接是否过滤完全,如图10:
【图10】
第四步:通过,过滤翻页链接
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“http://news.cnstock.com/news/sns_qy/”,右击复制链接,如图11所示。
【图11】
②勾选地址过滤,过滤规则选择包含,填入“http://news.cnstock.com/news/sns_qy/”,得到列表链接,如图12所示。
【图12】
③点击模板预览确认链接是否过滤完全,如图13
【图13】
第五步:创建新的模板,并新建数据抽取
①在模板配置,点击“新建模板”按钮,得到新建模板,重命名为正文数据模板,如图14。
【图14】
②将模板二新建链接抽取过滤得到的任意一条链接,作为模板三的示例地址。如:http://news.cnstock.com/news,yw-201811-4301403.htm, 见图15:
【图15】
③新建数据抽取。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16。
【图16】
④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“新建链接抽取”关联模板“新建模板:03”,如图17:
【图17】
第六步:创建/选择表单
①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。此处使用的方法三,如图18。
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
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18。
【图18】
②
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、作者、采集来源、网页获取时间、内容、发布时间、标题名称、网页地址、发布来源、副标题、图片11个字段,右上角保存,表单如图19。
【图19】
③在数据抽取链接处关联表单,如图20。
【图20】
第七步:
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。
title字段,如图21
【图21】
第八步:
①鼠标右键点击“数据抽取”,然后点击“模板预览”,如图22
【图22】
②预览结果如图23:
【图23】
第九步:采集预览
①点击右上角采集预览,如图24。
【图24】
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25、图26。
【图25】
【图26】