【从零开始学爬虫】采集豆瓣影评数据

采集网站

【场景描述】采集豆瓣影评数据以《梦华录》为例。

【使用工具】前嗅ForeSpider数据采集系统，免费下载:

 

采集网站

【入口网址】

【采集内容】

采集豆瓣上电视剧《梦华录》的影评数据，采集字段：标题、发布者昵称、发布时间、发布正文。

  

 

【采集效果】如下图所示：

 

 

思路分析

配置思路概览：

 

配置步骤

1. 新建采集任务

选择【采集配置】，点击任务列表右上方【+】号可新建采集任务，将采集入口地址填写在【采集地址】框中，【任务名称】自定义即可，点击下一步。

  

 

2.获取翻页链接

采用链接过滤的方法来抽取翻页链接，具体如下所示：
①先观察翻页链接规律，找到规律，很明显翻页链接中都包含：?start=

 

②设置地址过滤，过滤包含“?start=”的链接，这样就把翻页链接过滤出来了。

 

③关联模板，将翻页链接抽取，关联模板01。

 

 

3.抽取列表链接

①新建一个链接抽取，改名为【列表链接】，将翻页链接抽取改名为【翻页链接】。

 

②使用链接过滤的方法来获取列表链接，先采集预览，打开列表链接预览结果，找到帖子链接并观察规律，发现其中都包括：“一串数字”

 

 

③设置地址过滤，过滤包含“\d”的链接，这样就把翻页链接过滤出来了。其中\d表示数字串。

 

 

4.抽取数据

①新建一个抽取模板，在其下新建一个数据抽取，具体操作如下所示：

 

 

②数据建表，按照下图所示建数据表。（注意字段属性等应严格按照下图进行设置）

 

 

③将新建好的数据表，关联到模板中去，如下图所示:

 

 

④填写示例数据，采集预览，复制任意一条影评链接。

 

⑤将链接粘贴到本模板示例地址中，并双击内置浏览器空白部分，加载本链接。

 

⑥关联模板

 

⑦数据取值

使用定位取值的方法，title字段如下所示：

 

 

Nick字段如下所示：

 

Uptime字段如下所示：

 

Text字段如下所示：

 

⑧采集预览

采集预览如下图所示，说明配置成功，可以开始采集。如果有哪个字段或者数据没有出来，再次检查之前配置，正确配置模板。

 

 

采集步骤

模板配置完成，采集预览没有问题后，可以进行数据采集。

①建立数据表单：

选择【数据建表】，点击【表单列表】中该模板的表单，在【关联数据表】中选择【创建】，表名称自定义，这里命名为【qczj】（注意命名不能用数字和特殊符号），点击【确定】。创建完成，勾选数据表，并点击右上角保存按钮。

 

 

②开始采集

选择【数据采集】，勾选任务名称，点击【开始采集】，则正式开始采集。

  

 

③导出数据

采集结束后，可以在【数据浏览】中，选择数据表查看采集数据，并可以导出数据。

  

④导出的文件打开如下图所示：

 

 

前嗅简介

前嗅大数据，国内领先的研发型大数据专家，多年来致力于为大数据技术的研究与开发，自主研发了一整套从数据采集、分析、处理、管理到应用、营销的大数据产品。前嗅致力于打造国内第一家深度大数据平台！