采集360问答数据

一.网站结构
1.网站截图说明
某些网站需要登陆后才可进行内容的采集,登陆时需先对登陆信息输入位置进行定位,便于后续采集
图片1.jpg
【网站登陆页】
图片2.jpg
【采集列表页】

2.采集结果截图
图片3.jpg
【检索列表链接】
图片4.jpg
【检索结果数据】

二.配置模板
1.新建任务
图片5.jpg
【新建任务】
2.新建采集任务
图片6.jpg
【新建采集任务】
本次采集列表下的正文数据,所以本次需要抽取内容选择【链接列表】,为了将每一页的内容都成功采集选择【普通翻页】
3.配置登陆
图片7.jpg
【网站登录界面】
①内置浏览器找到登录按钮,弹出登录框

②先点击【用户名】
图片9.jpg

【输入框定位】
③如上图,对【用户名输入框】进行定位,crtl+左键点击【用户名输入框】的位置,直至被绿色框住代表定位成功,并按此方式完成“密码”的位置定位
图片10.jpg

【定位成功界面】
④【用户名】和【密码】定位完成后,点击“完成”,cookie配置框中出现数据,按Ctrl+鼠标左键单击“登录按钮”,内置浏览器页面登录成功,配置完成

4.配置模板
图片11.jpg
【采集预览】
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“thread-”
图片12.jpg
【地址过滤】
②勾选地址过滤,过滤规则选择包含,填入“thread-”
图片13.jpg

【标题过滤】
③勾选标题过滤,过滤规则选择包含,填入"下一页"
图片14.jpg

【采集预览】
④点击采集预览,下一页和包含"thread-"的内容都被成功过滤,如下图:

  1. 模板关联
    图片15.jpg
    图片16.jpg

根据网页跳转规律,将【链接列表】关联【链接列表:02】, 【普通翻页】关联【默认模板:01】,此处软件已自动进行了关联,如果配置时发现关联有问题,可自行进行更改
6.数据抽取
图片17.jpg
【数据抽取】
将模板一过滤得到的任意一条链接,作为链接列表模板的示例地址。
图片18.jpg
7.新建数据抽取
新建数据抽取。直接点击链接列表,点击上面“新建数据抽取” 按钮,得到数据抽取

  1. 创建/选择表单

①创建表单
图片20.jpg
【创建表单】

②配置表单
图片21.jpg
【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、发布时间、正文内,网页标题以及网页地址五个字段,以配置发布时间(pubtime)为例

③数据抽取链接关联表单
图片22.jpg
【关联表单】

选择刚才新创建的表单"360问答"

9.字段定位
主键字段自动生成无需定位,以pubtime字段为例进行定位,将各字段依次定位

10.采集预览
字段定位完成后,进行模板预览,查看是否所需内容都被采集进来

四.数据采集
1.连接数据库
图片24.jpg
【连接数据库】

2.关联数据表
图片25.jpg
【关联数据表】

3.选中数据表
图片26.jpg
【选中数据表】

4.开始采集
图片27.jpg
【开始采集】

评论

暂无评论