网页文章正文采集方法,以微信文章采集为例

1、网页文章正文采集方法，以及微信文章采集为例当我们想要将今日头条上的新闻、搜狗微信上的文章正文内容保存下来的时候，怎么办？一篇篇复制粘贴？选择一款通用的网页数据采集器，将会使工作简单很多。八爪鱼是一款通用的网页数据采集器，可采集互联网上的公开数据。用户可以设置从哪个网站爬取数据，爬取那些数据，爬取什么范围的数据，什么时候去爬取数据，爬取的数据如何保存等等。言归正传，本文将以搜狗微信的文章正文采集为例，讲解使用八爪鱼采集网页文章正文的方法。文章正文采集，主要有两大类情况：一、采集文章正文中的文本，不含图片；二、采集文章正文中的文本和图片URL。示例网站：使用功能点：Xpath 判断条件 分页列表信

2、息采集 AJAX滚动教程 AJAX点击和翻页1、 采集文章正文中的文本，不含图片具体步骤：步骤1：创建采集任务1）进入主界面，选择“自定义模式”网页文章正文采集步骤12）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”网页文章正文采集步骤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”网页文章正文采集步骤32） 选择“循环点击单个元素”，以创建一个翻页循环网页文章正文采集步骤4由于此网页涉及Ajax技术，我们需要进行一

3、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”网页文章正文采集步骤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。具体请看AJAX点击和翻页教程：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”网页文章正文采集步骤6步骤3：创建列表循环并提取数据1）

4、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”网页文章正文采集步骤72） 选择“循环点击每个链接”网页文章正文采集步骤83） 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网页文章正文采集步骤94） 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”网页文章正文采集步骤105）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”网页文章正文采集步骤11注意：在字段表中，可进行字段的自

5、定义修改网页文章正文采集步骤126）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”网页文章正文采集步骤13“自定义数据字段”按钮网页文章正文采集步骤14选择“自定义数据合并方式”网页文章正文采集步骤15如图进行勾选步骤4：修改Xpath1）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篇文章的链接网页文章正文采集步骤162）在火狐浏

6、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：/DIVclass='main-left'/DIV3/UL/LI/DIV2/H31/A，页面中所需的100篇文章均被定位了网页文章正文采集步骤173）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”网页文章正文采集步骤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

7、数据网页文章正文采集步骤19拖动完成后，如下图所示网页文章正文采集步骤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”网页文章正文采集步骤212） 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网页文章正文采集步骤223）这里我们选择excel作为导出为格式，数据导出后如下图网页文章正文采集步骤234） 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="

8、;js_content"/P，所有的文章正文均可被定位到。再次启动采集，所有文章的正文内容，均被采集到了网页文章正文采集步骤24修改Xpath前网页文章正文采集步骤25修改Xpath后经过如上操作，目标网址中的微信文章正文中的全部文本被采集下来。如果还需采集图片，则需往已有的规则中，加入一个判断条件。2、 采集文章正文中的文本和图片URL接一中的步骤6步骤7：增加判断条件经过前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。如果需要采集图片，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

9、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）网页文章正文采集步骤262） 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

10、（分支条件检测结果-检测结果总是True）点击“确定”网页文章正文采集步骤27将“提取元素”步骤，拖入右侧分支网页文章正文采集步骤28右侧分支-检测结果总是True3） 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”网页文章正文采集步骤29点击左侧分支对左侧分支，设置判断条件网页文章正文采集步骤304）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

11、作提示框中，选择“采集该图片地址”拖入新的“提取数据”步骤，到左侧分支网页文章正文采集步骤31采集图片地址网页文章正文采集步骤325）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"/p1/span1与“相对Xpath”：/span1，记录下来自定义定位元素方式网页文章正文采集步骤33元素匹配的Xpath、“相对Xpath”网页文章正文采集步骤346）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Xpa

12、th进行修改：“元素匹配的Xpath”改为：/*id="js_content"/p1/img1，“相对Xpath”改为：/img1，然后点击“确定”网页文章正文采集步骤357）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网页文章正文采集步骤368）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”（判断条件教程，请参考：网页文章正文采集步骤379）如上，整个判断条件设置完毕。点击左上角的“

13、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”网页文章正文采集步骤38微信文章正文里的图片，需下拉滚动，才能加载出来设置“页面加载完成后向下滚动”网页文章正文采集步骤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，大家可按需设置可参考AJAX滚动教程：10）重新启动采集，并导出数据，数据导出后如图所示：网页文章正文采集步骤40导出数据网页文章正文采集步骤41数据示例说明：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：百度搜索结果采集新浪微博数据采集豆瓣电影短评采集八爪鱼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