微信热门文章采集方法以及详细步骤.docx
- 文档编号:8361044
- 上传时间:2023-01-30
- 格式:DOCX
- 页数:19
- 大小:2.58MB
微信热门文章采集方法以及详细步骤.docx
《微信热门文章采集方法以及详细步骤.docx》由会员分享,可在线阅读,更多相关《微信热门文章采集方法以及详细步骤.docx(19页珍藏版)》请在冰豆网上搜索。
微信热门文章采集方法以及详细步骤
微信热门文章采集方法以及详细步骤
本文将以搜狗微信文章为例,介绍使用八爪鱼采集网页文章正文的方法。
文章正文里一般包括文本和图片两种。
本文将采集文章正文中的文本+图片URL。
将采集以下字段:
文章标题、时间、来源和正文(正文中的所有文本,将合并到一个excel单元格中,将使用到“自定义数据合并方式”功能,请大家注意)。
同时,采集文章正文中的文本+图片URL,将用到“判断条件”,“判断条件”的使用,有很多需要注意的地方。
以下两个教程,大家可先熟悉一下。
“自定义数据合并方式”详解教程:
“判断条件”详解教程:
采集网站:
使用功能点:
●分页列表信息采集
●Xpath
●AJAX点击和翻页
●判断条件
●AJAX滚动
步骤1:
创建采集任务
1)进入主界面,选择“自定义模式”
微信热门文章采集方法步骤1
2)将要采集的网址URL复制粘贴到网站输入框中,点击“保存网址”
微信热门文章采集方法步骤2
步骤2:
创建翻页循环
1)在页面右上角,打开“流程”,以展现出“流程设计器”和“定制当前操作”两个板块。
网页打开后,默认显示“热门”文章。
下拉页面,找到并点击“加载更多内容”按钮,在操作提示框中,选择“更多操作”
微信热门文章采集方法步骤3
2)选择“循环点击单个元素”,以创建一个翻页循环
微信热门文章采集方法步骤4
由于此网页涉及Ajax技术,我们需要进行一些高级选项的设置。
选中“点击元素”步骤,打开“高级选项”,勾选“Ajax加载数据”,设置时间为“2秒”
微信热门文章采集方法步骤5
注:
AJAX即延时加载、异步更新的一种脚本技术,通过在后台与服务器进行少量数据交换,可以在不重新加载整个网页的情况下,对网页的某部分进行更新。
表现特征:
a、点击网页中某个选项时,大部分网站的网址不会改变;b、网页不是完全加载,只是局部进行了数据加载,有所变化。
验证方式:
点击操作后,在浏览器中,网址输入栏不会出现加载中的状态或者转圈状态。
观察网页,我们发现,通过5次点击“加载更多内容”,页面加载到最底部,一共显示100篇文章。
因此,我们设置整个“循环翻页”步骤执行5次。
选中“循环翻页”步骤,打开“高级选项”,打开“满足以下条件时退出循环”,设置循环次数等于“5次”,点击“确定”
微信热门文章采集方法步骤6
步骤3:
创建列表循环并提取数据
1)移动鼠标,选中页面里第一条文章链接。
系统会自动识别相似链接,在操作提示框中,选择“选中全部”
微信热门文章采集方法步骤7
2)选择“循环点击每个链接”
微信热门文章采集方法步骤8
3)系统会自动进入文章详情页。
点击需要采集的字段(这里先点击了文章标题),在操作提示框中,选择“采集该元素的文本”。
文章发布时间、文章来源字段的采集方法同理
微信热门文章采集方法步骤9
4)接下来开始采集文章正文。
先点击文章正文的第一段,系统会自动识别页面内的同类元素,选择“选中全部”
微信热门文章采集方法步骤10
5)可以看到,所有的正文段落均被选中,变为绿色。
选择“采集以下元素文本”
微信热门文章采集方法步骤11
注意:
在字段表中,可进行字段的自定义修改
微信热门文章采集方法步骤12
6)经过如上操作,正文就会被全部采集下来(默认为每一段正文为一个单元格)。
一般而言,我们希望采集的正文,合并为同一个单元格。
点击“自定义数据字段”按钮,选择“自定义数据合并方式”,勾选“同一字段多次提取合并为一行,即追加到同一字段,例如正文分页合并”,再点击“确定”
微信热门文章采集方法步骤13
“自定义数据字段”按钮
选择“自定义数据合并方式”
微信热门文章采集方法步骤14
如图进行勾选
微信热门文章采集方法步骤15
步骤4:
修改Xpath
1)选中整个“循环步骤”,打开“高级选项”,可以看到,八爪鱼默认生成的是固定元素列表,定位的是前20篇文章的链接
微信热门文章采集方法步骤16
2)在火狐浏览器中打开要采集的网页并观察源码。
我们发现,通过此条Xpath:
//DIV[@class='main-left']/DIV[3]/UL/LI/DIV[2]/H3[1]/A,页面中所需的100篇文章均被定位了
微信热门文章采集方法步骤17
3)将修改后的Xpath,复制粘贴到八爪鱼中所示位置,然后点击“确定”
微信热门文章采集方法步骤18
步骤5:
修改流程图结构
我们继续观察,通过5次点击“加载更多内容”后,此网页加载出全部100篇文章。
因而我们配置规则的思路是,先建立翻页循环,加载出全部100篇文章,再建立循环列表,提取数据
1)选中整个“循环”步骤,将其拖出“循环翻页”步骤。
如果不进行此项操作,那么将会出现很多重复数据
微信热门文章采集方法步骤19
拖动完成后,如下图所示
微信热门文章采集方法步骤20
步骤6:
数据采集及导出
1)点击左上角的“保存”,然后点击“开始采集”,选择“启动本地采集”
微信热门文章采集方法步骤21
2)采集完成后,会跳出提示,选择“导出数据”,选择“合适的导出方式”,将采集好的数据导出
微信热门文章采集方法步骤22
3)这里我们选择excel作为导出为格式,数据导出后如下图
微信热门文章采集方法步骤23
4)如上图,部分文章的正文没有采集到。
那是因为,系统自动生成的文章正文的循环列表的Xpath:
//[@id="js_content"]/P,定位不到此篇文章的正文。
将Xpath修改为:
//[@id="js_content"]//P,所有的文章正文均可被定位到
修改Xpath前
微信热门文章采集方法步骤24
修改Xpath后
微信热门文章采集方法步骤25
步骤7:
增加判断条件
通过前6个步骤,我们仅采集了微信文章里的文本内容,并不包括文章里的图片URL。
如果需要采集图片URL,则需往规则里加入一个判断条件:
对文章内容列表进行判断,如果包含img元素(图片),则执行图片采集分支;如果不包含img元素(图片),则执行文本采集分支。
同时,在八爪鱼中,默认对左侧分支,设置判断条件,满足此判断条件,则执行左侧分支;默认最右侧分支为“不判断,总是执行该分支”,即当不满足左侧分支的判断条件时,则执行最右侧分支。
回到此规则,即对左侧分支设置条件:
如果包含img元素(图片),则执行左侧分支;如果不满足左侧条件分支的条件(即不包含img元素),则执行右侧分支。
具体操作如下:
1)从左侧工具栏,往流程中拖入一个“判断条件”步骤(选定图标拖住不放,拖入箭头所示的绿色加号位置)
微信热门文章采集方法步骤26
2)流程图中出现判断条件。
我们将“提取数据”步骤,移动到右侧分支中(绿色加号处)。
再点击右侧分支,在出现的结果页面(分支条件检测结果-检测结果总是True)点击“确定”
将“提取元素”步骤,拖入右侧分支
微信热门文章采集方法步骤27
右侧分支-检测结果总是True
微信热门文章采集方法步骤28
3)点击左侧分支,在出现的结果页面(分支条件检测结果-检测结果总是True)点击“确定”。
然后对其设置判断条件:
勾选“当前循环项包含元素”,输入元素Xpath:
//img(代表图片),再点击“确定”
点击左侧分支
微信热门文章采集方法步骤29
对左侧分支,设置判断条件
微信热门文章采集方法步骤30
4)左侧分支条件设置完毕后,再进行提取数据步骤。
从左侧工具栏,拖入一个“提取数据”步骤,到流程图中的左侧分支中(绿色加号处),然后选中页面内一张图片,在操作提示框中,选择“采集该图片地址”
拖入新的“提取数据”步骤,到左侧分支
微信热门文章采集方法步骤31
采集图片地址
微信热门文章采集方法步骤32
5)选中右侧分支的“提取数据”步骤,点击“自定义数据字段”按钮,选择“自定义定位元素方式”,将红框中的“元素匹配的Xpath”:
//*[@id="js_content"]/p[1]/span[1]与“相对Xpath”:
/span[1],记录下来
自定义定位元素方式
微信热门文章采集方法步骤33
元素匹配的Xpath、“相对Xpath”
微信热门文章采集方法步骤34
6)选中左侧分支的“提取数据”步骤,点击“自定义数据字段”按钮,选择“自定义定位元素方式”,参照右侧分支相同位置的Xpath进行修改:
“元素匹配的Xpath”改为:
//*[@id="js_content"]/p[1]/img[1],“相对Xpath”改为:
/img[1],然后点击“确定”
微信热门文章采集方法步骤35
7)选中左侧分支的“提取数据”步骤,点击“自定义数据字段”按钮,选择“自定义数据合并方式”,如图进行勾选。
勾选后,多次提取的正文将追加为一个字段
微信热门文章采集方法步骤36
8)注意,在八爪鱼中,判断条件里各分支中的“提取数据”步骤中的字段名需相同,字段个数需一致。
这里,我们将左右两个分支中,提取的字段名均改为“正文”
微信热门文章采集方法步骤37
9)如上,整个判断条件设置完毕。
点击左上角的“保存”并“开始采集”。
我们发现,在导出的excel表格中,图片地址为一堆乱码。
这是为什么呢?
继续观察网页——搜狗微信文章正文里的图片,需下拉滚动,才能加载出来,加载出来后才能采集到正确的图片地址。
因而,在打开文章后,需对其进行设置“页面加载完成后向下滚动”。
在这里,设置滚动次数为“30次”,每次间隔“2秒”,滚动方式为“向下滚动一屏”
微信文章正文里的图片,需下拉滚动,才能加载出来
微信热门文章采集方法步骤38
设置“页面加载完成后向下滚动”
微信热门文章采集方法步骤39
注意:
这里的滚动次数、时间、方式的设置,会影响采集数据的速度、质量。
本文仅做参考,大家可按需设置
10)重新启动采集,并导出数据,数据导出后如图所示:
导出数据
微信热门文章采集方法步骤40
数据示例
微信热门文章采集方法步骤41
说明:
因搜狗微信文章中的图片,需经过下拉滚动,方可加载出来。
在采集过程中,大量时间用在等待图片加载,因而采集速度较慢。
如果没有采集图片的需求,直接使用文本采集,无需等待图片加载,采集速度会快很多。
相关采集教程:
京东商品信息采集
新浪微博数据采集
赶集招聘信息采集
八爪鱼——70万用户选择的网页数据采集器。
1、操作简单,任何人都可以用:
无需技术背景,会上网就能采集。
完全可视化流程,点击鼠标完成操作,2分钟即可快速入门。
2、功能强大,任何网站都可以采:
对于点击、登陆、翻页、识别验证码、瀑布流、Ajax脚本异步加载数据的网页,均可经过简单设置进行采集。
3、云采集,关机也可以。
配置好采集任务后可关机,任务可在云端执行。
庞大云采集集群24*7不间断运行,不用担心IP被封,网络中断。
4、功能免费+增值服务,可按需选择。
免费版具备所有功能,能够满足用户的基本采集需求。
同时设置了一些增值服务(如私有云),满足高端付费企业用户的需要。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 热门文章 采集 方法 以及 详细 步骤
![提示](https://static.bdocx.com/images/bang_tan.gif)