seo小魏讲解火车头采集教程与实例.docx
《seo小魏讲解火车头采集教程与实例.docx》由会员分享,可在线阅读,更多相关《seo小魏讲解火车头采集教程与实例.docx(16页珍藏版)》请在冰豆网上搜索。
![seo小魏讲解火车头采集教程与实例.docx](https://file1.bdocx.com/fileroot1/2023-1/5/628afe4f-b7df-4fdf-9d32-662213b4c293/628afe4f-b7df-4fdf-9d32-662213b4c2931.gif)
seo小魏讲解火车头采集教程与实例
火车头采集教程
火车头采集基本流程:
系统设置新建站点新建任务采集网址采集内容发布内容抓数据。
1.新建站点:
据你自己的需求为任务建立统一的站点,以方便管理。
点击菜单上:
站点新建站点打开如下图:
可以填写站点名,站点地址,网址深度(0,代表根据地址直接采内容。
1,代表根据地址采内容地址,然后根据内容地址采内容。
2,代表根据地址采列表地址,然后根据列表地址采内容地址,再根据内容地址采内容。
),站点描述。
2.新建任务:
任务是采集器采集数据时的基本工作单元,它一定是建立在站点中的。
采集器通过运行任务来采集发布数据。
任务工作的步骤总体可以分为三步:
采网址,采内容,发内容。
一个任务的运行可以任意选择哪几步。
而采集器又可以同时运行多个任务(默认设置是同时最多运行3个任务)。
选择站点点击右键选择“从该站点新建任务”。
任务的编辑界面如图:
采集器的使用最主要的就是对任务的设置。
而采集数据可以分为两步,第一步是:
采网址,第二步:
采内容。
3.采集网址:
采网址,就是从列表页中提取出内容页的地址。
从页面自动分析得到地址连接:
以
先将该列表页地址添加到采集器里。
点击“<<向导添加”后弹出“添加开始采集地址”对话框。
我们选择“单条网址”如图:
点击添加把地址添加到下面框中,点击完成即实现增加列表地址。
如果我们选择“批量/多页”,如图:
可用通配符:
(*)可以代替页码变化时的地址之间的差异。
数字变化可以设置你要爬取该列表页多少页。
间隔倍数可以数字页码变化的倍数。
你也可以设置字母变化。
设置完之后点击添加按钮把列表地址添加到下框中,点击完成即可完成列表地址设置。
你也可以选择文本导入和正则提取在这里就不一一讲了,因为这二种基本用的很少。
手动填写连接地址规则是将需要的网址用参数来获得并组合成我们需要的网址。
这个好处是处理网址那块有规律的网址很好处理,但要是没规律,和周围的一样的话,就不好处理了。
我们以看图里的设置:
这样设置就可以获得内容页网址了,这个网址是从摘要那块获得的,那一块的代码都是一个样式,所以可以。
你看上图的话,会发现在参数那里有个缩略图,因为有的文章是将缩略图放在列表里的。
现在我们举个例子。
看这个,这个是电影的,有小图的,我们看一下怎么获得这个图片。
注意,这里是同时获得网址和缩略图的。
这样设置就可以获得真实网址了,这个网址是从摘要那块获得的,那一块的代码都是一个样式,所以可以。
你看上图的话,会发现在参数那里有个缩略图,因为有的文章是将缩略图放在列表里的。
现在我们举个例子。
看这个,这个是电影的,有小图的,我们看一下怎么获得这个图片。
注意,这里是同时获得网址和缩略图的。
在脚本规则里输入[缩略图]下边即出现无缩略图的提取内容中的第一张选项,将该项选中即可,再将[缩略图]这几个字符去掉。
如果您需要下载该图片,请选中将缩略图下载到本地。
如果您不使用手动链接地址规则获取网址,将启用自定义格式得到地址选项去掉即可。
注意事项:
该功能只提取内容标签中的图片,所以请确保您要提取的图片在内容标签中。
同时。
如果内容标签中选了下载图片,则提取的图片也是下载到本地的图片地址。
因为网址和缩略图那块的样子就是下边的,是有规律的,所以可以获得网址
如果我们遇到那些用脚本做栏目列表时怎么办呢?
用自动识别是不行的了。
这时,该使用手动设置链接格式这个功能起作用了,这也是针对脚本类网址最好的解决办法。
下边我们以腾讯Flash频道_作品列表为例来讲一下
我们仔细分析地址:
,只有最后的数字是不同的,而这数字就包含在脚本里边,我们看一下源码:
注意:
newArray("727749",后边就有我们要的网址,还有缩略图,我们可以这样写规则:
这样就可以了,看一下效果
OK了。
4.采集内容:
当所有网址抓取完后就可以开始抓取内容。
抓取内容就是采集器请求到内容页后分析内容页的HTML源代码并依据在采集器中的标签规则设置匹配出相应的数据。
在测试到的地址中,任意选择一个子地址,双击选中的地址或者点击“测试该页”按钮。
如图:
将会跳转到任务中的“第二步:
采集内容规则”如图:
在典型页面中会出现刚才选中的网址,这里就是测试采集内容。
左边的标签名下面有:
标题,出版社,图片,图片地址共四个标签,可以对标签进行添加、删除和编辑等操作。
每个标签就是采集后得到的一段内容,可以是从页面中截取的内容,也可以是设置的一个固定的值或其他方式得到的值。
现在让我抓取
可以从网页HTML源代码里得到需要的标题(工程硕士研究生英语基础教程(学生用书))。
复制页面HTML中“”后在文本中向上查找发现查找不到与该段相同的代码,说明此处是该段代码第一次出现的地方。
如图:
选择标题标签,点击右边的“编辑标签”按钮打开如下图:
复制这段代码到“内容标签编辑框”的“开始字符串处”。
“”是“”后面第一次出现的地方。
复制“”到“结束字符串”处。
如图:
如果发现标题中含有“<\pre><\ca>”像这样的HTML代码,可以在标签设置里将这些没用的代码排除。
设置如图:
在此对话框中可以设置标签内容必须包含什么和标签内容不得包含什么。
上面的(*)可以代表为任何字符。
在这里还可以设置汉英翻译,简繁体互转:
火车采集器可以将抓取的汉字翻译成英语,方便一些朋友翻译用或做国外网站.同时支持将简体和繁体进行转化,方便简繁体用户交流.汉译英,简体转繁体使用很简单,只要在标签内选中即可.
如果“使用正则匹配模式”采集数据 :
正则表达式很强大,利用它我们可以获得一定格式的数据,比如网址,E-mail地址,数字,字母等等.可喜的是,从3.2版开始,火车采集器就支持正则规则的编写了,这给喜欢用正则来实现不同需求的朋友带来福音。
火车采集器里支持两种正则,一个纯正则,一个参数正则。
我们下边分开讲一下:
1.纯正则:
在标签中用正则表达式采内容的格式是这样:
开始代码(?
正则表达式)结束代码,其中在开始代码和结束代码中如有需要转义的字符就要用\转义。
比如我们要获取火车论坛的版块,我们从首页获取,正则可以这样写
然后就可以获得我们需要的版块名称了。
2.参数正则:
这个不算是正则,和网址采集那块的参数使用原理是一样的,可以对采到的内容进行组合。
输入框两边都不得为空,后边的组合结果[参数N]是按匹配内容的顺序来写的,我们还是以
测试一下,是可以获得我们需要的结果了。
正则基本就这样,主要是写表达式的问题。
如果您对这有兴趣,可以下载相关一些资料研究一下。
设置完之后点击“确定”按钮后点“测试”按钮得到页面中的数据。
如图:
看下面我们怎么样下载图片到本地来:
现在让我抓取
发现““是唯一的,复制这段代码到“内容标签编辑框”的“开始字符串处”。
“