博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
前嗅ForeSpider教程:采集需要登陆的网页内容
阅读量:5876 次
发布时间:2019-06-19

本文共 1800 字,大约阅读时间需要 6 分钟。

hot3.png

以图中网站为例,进行登录配置后采集正文数据:

第一步:新建任务

①点击左上角“加号”新建任务,如图1:

【图1】

②弹窗里填写采集地址,任务名称,开启手动登录配置,如图2:

【图2】

③若未在此处开启登录配置,可在模板抽取配置中点击相应的模板,开启登录配置,如图3。

【图3】

④点击下一步,选择进行数据抽取还是链接抽取,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,所以点击抽取链接,选择链接列表,如图4:

【图4】

⑤完成后模板抽取配置列表有两个模板,默认模板和子栏目。默认模板下自动生成一个链接抽取,名称为链接列表,此链接抽取已与链接列表模板关联,如图5:

【图5】

第二步:配置登录

①内置浏览器找到登录按钮,弹出登录框,如图6:

【图6】

②按Ctrl+鼠标左键单击“用户名输入框”,如图7。

【图7】

③填写用户名、密码,如图8。

【图8】

④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,如图9。

【图9】

第三步:通过地址过滤,得到所需链接。

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-”,右击复制链接,如图10所示。

【图10】

②勾选地址过滤,过滤规则选择包含,填入“thread-”,得到列表链接,如图11所示。

【图11】

③点击采集预览确认链接是否过滤完全,如图12

【图12】

第四步:关联模板

在软件中模板的关联关系,与网页中链接跳转的关系相同。

根据网页跳转规律,将“链接列表”关联模板二“链接列表:02”,此处由于我们开始就选择了创建列表链接,所以软件自动关联好了模板二。如果配置的时候发现关联有问题,可以自己进行更改,如图13

【图13】

第五步:创建翻页链接抽取

方法一:创建任务,勾选链接抽取,直接选择链接列表和普通翻页,如图14。

【图14】

方法二:如果创建任务时,只勾选了链接列表,可以点击上一步,回到模板层,补选翻页链接抽取,点击下一步,创建翻页链接。

方法三:直接点击模板二,点击上面“新建链接抽取”按钮,得到链接抽取,并重名命为翻页链接抽取,如图15。

【图15】

第六步:通过地址过滤,得到所需翻页链接。

①右击模板预览找到翻页链接,如图16所示。观察链接得出规律使用“page=”得到目标链接。

【图16】

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,使用共用词“page=”过滤得到目标链接,如图17。

【图17】

③点击采集预览确认链接是否过滤完全,如图18

【图18】

④关联“翻页”

情况一:创建模板或通过向导,创建的翻页链接抽取,会默认关联模板一,即当前页模板,如图19。

【图19】

情况二:手动点击按钮创建翻页链接抽取,需要手动关联

第七步:填写模板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,作为链接列表模板的示例地址,见图20:

【图20】

②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,如图21。

【图21】

第八步:创建/选择表单

①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,如图22。

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”后面的添加按钮如图22。

【图22】

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、发布时间、正文内,网页标题以及网页地址五个字段,表单如图23。

【图23】

③数据抽取链接处关联表单,如图24。

【图24】

第九步:字段取值

①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。点击“确认选区”按钮,确认操作。

pub_time、content字段,如图25、图26:

【图25】

【图26】

②点击采集预览确数据是否采集完全,如图27:

【图27】

转载于:https://my.oschina.net/forespider/blog/3001347

你可能感兴趣的文章
PDFOA文件格式转换器,给你繁忙的工作降降温
查看>>
Spring MVC 获取静态资源处理方案学习总结
查看>>
我的友情链接
查看>>
xgboost 安装失败
查看>>
LIN总线概要
查看>>
消息模式Toast.makeText的几种常见用法
查看>>
Infobright高性能数据仓库特点
查看>>
通知栏Notification在不同手机上显示的问题总结
查看>>
bootstrap下拉菜单
查看>>
zabbix3.0.4设置邮件告警
查看>>
十六进制转化为ASCII码引起的的进制的故事
查看>>
Java网络编程从入门到精通(1):使用InetAddress类的getHostName方法获得域名
查看>>
event.keycode值大全
查看>>
有人牵挂真好
查看>>
VMware ESX/ESXi Server与虚拟机时间同步问题
查看>>
JDBC返回ResultSet结果通过java反射得到java对象
查看>>
PHP5.2 以上版本及其 IIS 与 Apache2.2 的共存问题
查看>>
Python 文本处理
查看>>
VoIP资料
查看>>
PHP常用扩展及服务记录
查看>>