今天小编来为大家介绍一个非常实用又简单的操作,就是如何用前嗅ForeSpider采集网页链接/源码/时间/重定向地址,同时为了方便大家采集,前嗅ForeSpider已经提前把网页链接/源码/时间/重定向地址等采集中常有的基本项,预先写好了功能, 具体步骤如下:
第一步:新建任务
①点击左上角“加号”新建任务,如图1:
②弹窗里填写采集地址,任务名称,如图2:
③ 点击下一步,勾选抽取链接,选择网页内所有链接,如图3:
④完成后模板抽取配置列表有一个模板,默认模板。默认模板下自动生成一个链接抽取,名称为网页全部链接,如4:
第二步:创建新的模板,并新建数据抽取
①模板配置,点击“新建模板”按钮,得到新建模板,如图5。
②新建数据抽取。直接点击模板二,点击上面“新建数据抽取”按钮,得到数据抽取,如图6。
③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“网页全部链接”关联模板“新建模板02”,如图7:
第三步: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8。
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”后面的如图8。
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、网页创建时间、网页获取时间、网页地址、全区内网页源码(包含当前标签)、选取内全部文本、选取内网页源码以及网页标题八个字段,表单如图9。
以下字段为软件自带字段类型,无需确定选取取值。
网页主键:网页唯一标识。
网页创建时间:文档创建或网页发布的时间。
网页获取时间:ForeSpider采集该网页的时间。
网页地址:自动采集网页的URL地址。
选区内网页源码(包含当前标签):采集选区内全部源代码,包含当前节点标签等,即整个选区的源代码。
选区内全部文本:最常用的类型。点击Ctrl选择绿框后,采集选区里的全部内容
选区内网页源码:采集选区内全部源代码,不包含当前节点标签等。
网页标题:采集网页的标题。即网页
③ 数据抽取链接处关联表单,如图10。
第四步:采集预览
①点击击右上角采集预览,如图11。
②双击任意一条链接,看看是否可以得到和网页对应的规整的数据,如图12、图13。