前嗅ForeSpider教程:如何採集新聞數據

在信息大爆炸的時代,如何成批量的抓取優質新聞數據,今天來為大家介紹一下如何用ForeSpider採集新聞數據。操作如下:

工具/原料

前嗅ForeSpider採集系統

第一步:新建任務

點擊左上角「加號」新建任務,如圖

在彈窗里填寫採集地址,任務名稱,如圖

點擊下一步,選擇進行數據抽取還是連結抽取,本次採集當前列表頁新聞的正文數據,正文數據是通過點擊列表連結進入的,所以本次需要抽取列表連結,所以點擊抽取連結,如圖

第二步:通過定位過濾、地址過濾,得到所需連結

按住Ctrl+滑鼠左鍵,進行區域選擇,按住Shift+滑鼠左鍵,擴大選擇區域,點擊「確認選區」按鈕,如圖

點擊採集預覽,在採集預覽中有於目標連結相似的其他連結,可通過地址過濾得到列表連結。找到所需要的列表連結,觀察得出所需要的目標連結都包含「sina.com.cn/+字符串」。使用過濾串「\c」,右擊複製連結,如圖所示。

過濾串規則說明:\c  表示一串(個)小寫字母

勾選地址過濾,過濾規則選擇包含,填入「sina.com.cn/\c」,得到列表連結,如圖所示

擊採集預覽確認連結是否過濾完全,如圖

第三步:關聯模板

在軟體中模板的關聯關係,與網頁中連結跳轉的關係相同。

根據網頁跳轉規律,將「連結列表」關聯模板二「連結列表:02」,此處由於我們開始就選擇了創建列表連結,所以軟體自動關聯好了模板二。如果配置的時候發現關聯有問題,可以自己進行更改,如圖

第四步:填寫模板二示例地址並新建數據抽取

模板一過濾得到的任意一條連結,作為模板二的示例地址。如https://news.sina.com.cn/c/zj/2018-12-25/doc-ihqhqcis0255892.shtml, 見圖

新建數據抽取

方法一:通過點擊「下一步」後勾選抽取數據,再次點擊「下一步」得到數據抽取。

方法二:直接點擊模板二,點擊上面「新建數據抽取」按鈕,得到數據抽取,重命名為新浪新聞,如圖

第五步:創建/選擇表單

在ForeSpider爬蟲中,表單是可以復用的,所以可以在數據表單出直接選擇之前建過的表單,也可以通過表單ID來進行查找並關聯數據表單。此處使用的是之前建過的新浪網的表單。

方法一:通過下拉菜單或表單ID選擇已有表單

方法二:點擊創建表單進入快速建表頁面,新建表單,如圖所示

方法三:點擊「採集配置」-「數據建表」,點擊采「採集表單」後面的「新增按鈕」如圖

第六步:配置表單

根據所需內容,配置表單欄位(即表頭),此處配置了包括網頁主鍵、網頁標題、網頁地址、網頁創建時間、內容、發布來源6個欄位,表單如圖

第七步:欄位取值

取值方法:按住Ctrl+滑鼠左鍵,進行區域選擇,按住Shift+滑鼠左鍵,擴大選擇區域。點擊「確認選區」按鈕,確認操作。

text、from_addr欄位,如圖

第八步:模板預覽

點標右鍵點擊「數據抽取」,然後點擊「模板預覽」,如圖

預覽結果如圖

第九步:採集預覽

點擊右上角採集預覽,如圖

雙擊任意一條連結,看看是否可以得到和網頁對應的規整的數據,如圖

本文內容整理自網絡, 文中所有觀點看法不代表淘大白的立場