Chinaunix首页 | 论坛 | 博客
  • 博客访问: 258959
  • 博文数量: 83
  • 博客积分: 0
  • 博客等级: 民兵
  • 技术积分: 845
  • 用 户 组: 普通用户
  • 注册时间: 2018-08-09 14:57
个人简介

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!

文章分类
文章存档

2023年(5)

2022年(8)

2021年(2)

2020年(9)

2019年(59)

我的朋友

分类: 数据库开发技术

2019-02-14 11:37:11

以黄页88(http://b2b.huangye88.com/shanghai/fuwu/)为例,采集当前列表页新闻的正文数据:


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,本次采集当前列表页联系方式链接,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,翻页选择普通翻页,如图3:

【图3】

④完成后模板抽取配置列表有两个模板,默认模板和链接列表。默认模板下自动生成两个链接抽取,一个为链接列表抽取,已与模板“链接列表”关联,一个为普通翻页链接,此链接已与默认模板自身关联,如图4。

【图4】

 


第二步:通过,得到所需的联系方式链接。

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联系方式链接。找到所需要的链接,右击复制链接,如图5所示。

【图5】

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,使用公共部分“company_contact.html”进行地址过滤,得到所需链接,如图6所示。

【图6】

③点击采集预览确认链接是否过滤完全,如图7

【图7】


第三步:过滤翻页链接

①在采集预览中选择普通翻页,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“pn+数字”。使用过滤串“\d”,右击复制链接,如图8所示。过滤串规则说明:\d  表示一串(个)数字

【图8】

②勾选地址过滤,过滤规则选择包含,填入“pn\d”,得到列表链接,如图9所示。

【图9】

③右击模板一,选择模板预览,采集预览确认链接是否过滤完全,如图10:

【图10】

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:http://b2b.huangye88.com/qiye2867243/company_contact.html, 见图11:

【图11】

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12

【图12】

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。此处使用的方法三。

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13:

【图13】


第六步:

根据所需内容,配置表单字段(即表头),此处配置了网页主键、联系人、联系方式、公司名称、公司网址链接共5个字段,表单如图14:

【图14】


第七步:

①在数据抽取部分导入表单:黄页

【图15】

②Per_name字段。如图16所示,绿框选中联系人,确认选区,然后选择脚本处理,取值“:”之后的姓名。

选区取值方法: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。

代码:return VALUE.Right(":");

代码如图17所示。

【图16】

【图17】

③Com_name 字段。同per_name字段,绿框选中公司名称,确认选区,然后选择脚本处理,取值“:”之后的名称。

选区取值方法: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。

代码:return VALUE.Right(":");

④Tel 字段。如图18所示,因为在模板预览中链接标题就是手机号,所以采用了高级取值---脚本取值。

【图18】

直接在脚本处写上“return URL.title;” 即链接标题名为手机号,如图19所示。代码:return URL.title;

【图19】

⑤Link字段。采集内容选择网页信息>网页地址,保存即可,如图20所示。

【图20】


第八步:

①鼠标右键点击“数据抽取”,然后点击“模板预览”,如图21。

【图21】

②预览结果,如图22所示。

【图22】

第九步:采集预览

①点击右上角采集预览,如图23:

【图23】

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24所示。

【图24】

阅读(1677) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~