前嗅ForeSpider数据采集教程:通过识别列表进行数据抽取

122 篇文章 0 订阅
122 篇文章 2 订阅

以孔夫子旧书网(http://www.kongfz.com/1004/)为例:

一.网站结构

1.网站截图说明

该网站为列表结构,可以通过识别列表的方式对全篇数据进行抽取。

网站列表页

 

2. 采集结果截图

采集数据结果

 

二. 配置模板

  1. 新建任务

新建任务

 

点击【下一步】,需要采集每一页检索结果并抽取数据,所以此处需要勾选【普通翻页】和【数据抽取】,如图:

新建采集任务

 

2.创建/选择表单

①创建表单

创建表单

 

②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、作者名称、标题名称、价格等四个字段, 以配置发布时间(pubtime)为例:

配置表单

 

③数据抽取链接关联表单

选择刚才新创建的表单"孔夫子"

关联表单

 

3.字段定位

取值方法:由于此处活取的是列表页的数据,所以可以应用“识别列表”功能,直接取到列表数据,操作方法如下:

①点击“数据抽取-孔夫子”,按住ctrl+鼠标左键点击定位标题内容

定位标题

 

②按住Shift+鼠标左键继续点击,直到点击到选中整个第一条数据

定位第一条数据

 

③在软件的右下角可以看到“识别列表”按钮 ,此时点击“识别列表”,如下图,此时列表中的内容都已经选中。

定位全数据

 

④对每个字段进行取值,方法依然是: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。如:price字段,见下图:

字段定位

 

4.模板预览

鼠标右键点击“孔夫子”,然后点击“模板预览”

模板预览

 

5.过滤翻页链接

勾选标题过滤,过滤规则选择包含,填入"下一页"

过滤翻页

 

三.数据采集

1.连接数据库

连接数据库

 

2.创建数据表

创建数据表

 

3.选中数据表

关联数据表

4.开始采集

开始采集

 

5.采集结果

采集结果

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值