ForeSpider教程之如何爬取位置不固定的图片

摘要：本文以某新闻网站为例，教大家如何爬取位置不固定的图片。

众所周知，对于新闻网站来说，图片位置是无法固定的，所以想要爬取到这些位置不固定的图片，需要一定的技术手段。

以某网站为例，任务入口地址为：http://www.chengdu.cn/

一、对首页进行链接抽取。

 

抽取文章标题，使用地址过滤“包含”.shtml。抽取到结果如下：

二、新建模板2，抽取图片链接及内容数据：

示例地址如下：http://news.chengdu.cn/2016/0817/1810143.shtml

 

1. 把图片链接抽取出来。

进行采集预览，查看图片的链接规律，通过地址过滤“排除”^jpg;^jpeg;^png;^bmp;^gif。

2. 为图片设置唯一标志与正文相关联。

通过标题过滤脚本return MD5(URL.urlname)给模板2的主键赋值，因为新闻图片的不规则性，需要通过某个字段将内容与图片相关联，所以此处标题过滤还有个作用就是将整个网页内容传递到模板3，起到相关联的作用。

过滤好的图片链接如下：

 

3.设置字段，为了将爬取到的内容分类的放入数据库中。

取正文页的数据，配置如下表单：

 

4.给字段赋值，从而获得数据。

通过定位及脚本取值，取到如下数据：

 

由于新闻类网站文章的不规则性，所以某些字段是需要通过脚本取值实现的。脚本取值字段包括：hkey、author、news_time、content、pub_web。

以下为字段脚本：

hkey:return MD5(URL.urlname);//返回本页链接地址，通过MD5方法加密。

author：

return "编辑" + DOM.GetTextAll(DOM.FindClass("font_gray")).Right("编辑");//在源码里找到包含作者标签的class，取出其中的文本，然后取右串“编辑”。

news_time：

return DOM.GetTextAll(DOM.FindClass("font_gray")).Left("来源");//在源码里找到包含新闻时间标签的class，取出其中的文本，然后取“来源”左侧的内容。

content：

return DOM.GetTextAll(DOM.FindClass("contxt"));//在源码里找到包含新闻事件标签的class，取出其中的文本。

pub_web：

return DOM.GetTextAll(DOM.FindClass("font_gray")).Middle("来源:"," ");//源码里找到包含文章原出处标签的class，取出其中的文本，然后取”来源”和” ”中间的内容。

三．新建模板3，抽取图片。

 

取图片，配置如下表单：

需要注意的是003为新闻主键，即与模板二相对应的字段。

 

预览的结果图如下：

 

这样操作不仅可以使内容和图片一一对应，也便于之后的数据导出工作。

以上就是位置不固定的图片的抽取教程，大家学会了吗？