首页 - 神途资讯 > 「从零开始学爬虫」采集腾讯数据

「从零开始学爬虫」采集腾讯数据

发布于：2024-09-24 作者：admin 阅读：83

l 采集网站

【场景描述】采集腾讯资讯数据。

【源网站介绍】腾讯网从2003年创立至今，已经成为集资讯信息，区域垂直生活服务、社会化媒体资讯和产品为一体的互联网媒体平台。

【使用工具】前嗅数据采集系统，免费下载:免费版本下载地址

l 采集网站

【入口网址】

【采集内容】

采集腾讯网资讯的标题和正文内容。

【采集效果】如下图所示：

l 思路分析

配置思路概览：

l 配置步骤

1. 新建采集任务

选择【采集配置】，点击任务列表右上方【+】号可新建采集任务，将采集入口地址填写在【采集地址】框中，【任务名称】自定义即可，点击下一步。

2.获取翻页链接

此类翻页的翻页链接在页面请求中，需要先找到请求链接，然后用脚本拼出链接。具体操作步骤如下所示：

①在浏览器中打开页面后，点击F12，清空所有请求后，刷新页面。

②鼠标往下浏览资讯，会发现出现很多资讯，右侧也出现很多请求。观察请求，找出翻页请求链接。

将多个请求链接复制出来，观察链接规律：

20&limit=20&=1&ext={%%22:[%22top%22],%%22:10,%%22:true}

40&limit=20&=1&ext={%%22:[%22top%22],%%22:10,%%22:true}

60&limit=20&=1&ext={%%22:[%22top%22],%%22:10,%%22:true}

③观察发现请求链接中只有一个参数不同，分别为20、40、60，该参数规律为：翻页数*20，根据这一规律，使用脚本拼写翻页链接。选中链接抽取后，打开脚本窗口：

④写一个for循环来拼取翻页链接：

脚本如下：

for(var i=0;i<20;i++)//写一个for循环来拼取翻页链接
{
var j=i*20;//定义变量j为翻页数*20
url u;//定义一个url
u.urlname = "https://i.news.qq.com/trpc.qqnews_web.kv_srv.kv_srv_http_proxy/list?sub_srv_id=bj&srv_id=pc&offset="+j+"&limit=20&strategy=1&ext={%22pool%22:[%22top%22],%22is_filter%22:10,%22check_type%22:true}";//根据翻页链接规律拼链接 u.title =i;//返回url名称
u.tmplid = 2;//关联模板2
u.entryid = CHANN.id;
RESULT.AddLink(u);//结束，固定搭配
}

⑤脚本写完以后，点击保存，然后点击采集预览，即可看到拼好的链接。

3.抽取列表链接

①继续观察页面翻页请求中的源码内容，发现资讯内容在源码data后边的list后边的json串中。如下图所示：

②资讯列表链接的标题和资讯分别是每个对象的title和url值。

③回到系统中，新建一个链接抽取，并打开脚本界面，新建一个脚本：

④写脚本如下：

var tstr = DOM.GetSource().ToStr();//打开请求中的dom树，并获取源码，定义源码为tstr
jScript js;//定义一个js
var obj = js.RunJson(tstr).data.list;//执行tstr代码并返回data后边的list后边的json串
for(var i=0;i<=19;i++){//用for循环查找每一个对象，i表示第几个对象
var obj_a=obj[i].title;//定义obj_a为第i个对象的title值
var obj_b=obj[i].url;//定义obj_a为第i个对象的url值
url u;//定义一个url
u.title=obj_a;//返回obj_a为url标题
u.urlname=obj_b;//返回obj_b为url链接
u.tmplid = 3;//关联模板3
RESULT.AddLink(u);//结束
}

⑤保存脚本后，采集预览查看是否抽取成功。

4.抽取资讯数据

①新建一个抽取模板，在其下新建一个数据抽取，具体操作如下所示：

②数据建表，按照下图所示建数据表。（注意字段属性等应严格按照下图进行设置）

③将新建好的数据表，关联到模板中去，如下图所示:

④填写示例数据，采集预览，复制任意一条资讯链接。

⑤将链接粘贴到本模板示例地址中，并双击内置浏览器空白部分，加载本链接。

⑥关联模板

⑦数据取值

使用定位取值的方法，title字段如下所示：

Text字段如下所示：

⑧采集预览

l 采集步骤

模板配置完成，采集预览没有问题后，可以进行数据采集。

①建立数据表单：

选择【数据建表】，点击【表单列表】中该模板的表单，在【关联数据表】中选择【创建】，表名称自定义，这里命名为【】（注意命名不能用数字和特殊符号），点击【确定】。创建完成，勾选数据表，并点击右上角保存按钮。

②开始采集

选择【数据采集】，勾选任务名称，点击【开始采集】，则正式开始采集。

③导出数据

采集结束后，可以在【数据浏览】中，选择数据表查看采集数据，并可以导出数据。

④导出的文件打开如下图所示：

l 前嗅简介

前嗅大数据，国内领先的研发型大数据专家，多年来致力于为大数据技术的研究与开发，自主研发了一整套从数据采集、分析、处理、管理到应用、营销的大数据产品。前嗅致力于打造国内之一家深度大数据平台！

二维码

扫一扫关注我们

版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，请告知我们，本站将立刻删除涉嫌侵权内容。

上一篇：暴雪战网 v1.3.3.66下载

下一篇：新飞飞按键精灵怎么用

相关文章

本站资讯|联系我们|RSS订阅|网站地图

百度关键词：神途,神途手游,神途发布网

二维码

Copyright © 2022 www.5wst.com All right reserved. 赣ICP备2022000132号-15