前嗅ForeSpider采集黄页88

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】