阅读模式:

怎么通过CSS选择器采集网页数据

阅读量:11  一键切换:繁體   HtmlCss  发布时间:来源:知识库  
内容摘要:做了个数据采集插件准备拿博客园练练手。想一下要采集什么数据,就从首页文章列表采集起到第10页就结束采集,然后在点击进去采集文章内容。视频演示地址:https://www.bilibili.com/video/BV1HP4y157rR数据采集......

怎么通过CSS选择器采集网页数据

做了个数据采集插件准备拿博客园练练手。想一下要采集什么数据,就从首页文章列表采集起到第10页就结束采集,然后在点击进去采集文章内容。

视频演示地址:https://www.bilibili.com/video/BV1HP4y157rR

数据采集工具

九头虫网页数据采集插件 大家如果也想试下,那么可以点击进去下载。
九头虫网页数据采集插件 帮助文档

采集内容

首页:文章标题、文章介绍、作者、作者头像、点赞数、评论数、发布时间
内容页:正文内容

编写首页列表采集规则

F12打开开发者工具里面看到文章列表HTML代码结构

文章标题可以通过CSS选择器.post-item-title获取到;
文章地址可以通过CSS选择器.post-item-title获取到;
文章介绍可以通过CSS选择器.post-item-summary获取到;
作者可以通过CSS选择器.post-item-author获取到;
用户头像可以通过CSS选择器img.avatar获取到;
点赞数可以通过CSS选择器.post-item-foot a.post-meta-item获取到;
评论数可以通过CSS选择器.post-item-foot a[class*=post-meta-item]:nth-of-type(3)获取到;
浏览数可以通过CSS选择器.post-item-foot a[class*=post-meta-item]:nth-of-type(4) span获取到;

那么现在开始编写采集规则,采集规则保存之后,进入页面检验当前是否采集到数据了。

{
    "title": "博客园首页文章列表",
    "match": "https://www.cnblogs.com/*",
    "demo": "https://www.cnblogs.com/#p2",
    "delay": 2,
    "rules": [
        {
            "root": "#post_list .post-item",
            "multi": true,
            "desc": "文章列表",
            "fetches": [
                {
                    "name": "文章标题",
                    "selector": ".post-item-title"
                },
                {
                    "name": "文章地址",
                    "selector": ".post-item-title",
                    "type": "attr",
                    "attr": "href"
                },
                {
                    "name": "文章介绍",
                    "selector": ".post-item-summary"
                },
                {
                    "name": "作者",
                    "selector": ".post-item-author"
                },
                {
                    "name": "头像",
                    "selector": "img.avatar",
                    "type": "attr",
                    "attr": "src"
                },
                {
                    "name": "点赞数",
                    "selector": ".post-item-foot a.post-meta-item"
                },
                {
                    "name": "评论数",
                    "selector": ".post-item-foot a[class*=post-meta-item]:nth-of-type(3)"
                },
                {
                    "name": "浏览数",
                    "selector": ".post-item-foot a[class*=post-meta-item]:nth-of-type(4)"
                }
            ]
        }
    ]
}

编写内容页采集规则

编写方式与上面的一样,这里就直接贴出代码了。

{
    "title": "博客园文章内容",
    "match": "https://www.cnblogs.com/*/p/*.html",
    "demo": "https://www.cnblogs.com/bianchengyouliao/p/15541078.html",
    "delay": 2,
    "rules": [
        {
            "multi": false,
            "desc": "文章内容",
            "fetches": [
                {
                    "name": "文章标题",
                    "selector": "#cb_post_title_url"
                },
                {
                    "name": "正文内容",
                    "selector": "#cnblogs_post_body",
                    "type": "html"
                }
            ]
        }
    ]
}

添加计划任务(实现批量采集、翻页采集)

生成URL采集地址 帮助文档

在计划任务中,通过动态URL采集地址获取要采集的文章页面地址,获取完成之后插件就会自动去打开对应页面。只要打开页面,插件就会去匹配采集规则然后采集数据。

https://www.cnblogs.com/
[a.post-item-title,href]:https://www.cnblogs.com/#p[2,10,1]

预览数据

分享到:
首页桂ICP备2022000863号分类地图学习工具教育专题当前时间:本站内容只用于学习和交流,如有牵扯版权问题请联系站长邮箱: