不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息

批发认证公众号 | 批发已备案域名

奇偶猫官方客服QQ仅有下方1个、如有冒充劳烦直接举报

3179787531

一流源码源码搜藏基地网站源码、商业源码之家免费论坛

注:本站源码仅做学术研究,自娱自乐使用,不得用于任何的非法商业用途
由于版权原因、本站将无限期停止微擎模块资源下载如果有任何侵犯您权益的内容请联系小站删除哦、小站一定会积极配合的。

学会信息和数据快速采集都是非常必要的,因为这能大大提高工作效率。在学会python和火车头之前,web scraper是我最常用的采集工具了,设置简单,非常高效,采集咪蒙文章标题仅需2分钟,采集58同城5000条租房信息也就5分钟而已。

Web scraper是google强大插件库中非常强大的一款数据采集插件,有强大的反爬虫能力,只需要在插件上简单地设置好,可以快速抓取知乎、简书、豆瓣、大众、58等大型、中型、小型的90%以上的网站,包括文字、图片、表格等内容,最后快速导出csv格式文件。Google官方对web

scraper给出的说明是:

使用我们的扩展,您可以创建一个计划(sitemap),一个web站点应该如何遍历,以及应该提取什么。使用这些sitemaps,Web刮刀将相应地导航站点并提取所有数据。稍后可以将剪贴数据导出为CSV。

Webscraperk课程将会完整介绍流程介绍,用知乎、简书等网站为例介绍如何采集文字、表格、多元素抓取、不规律分页抓取、二级页抓取、动态网站抓取,以及一些反爬虫技术等全部内容。

我也将在近期开始web scraper课程,有兴趣的朋友可以加我微信:zds369466004

一、web scraper的安装

Web scraper是google浏览器的拓展插件,它的安装和其他插件的安装是一样的。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图

如果无法下载webscraper可以通过微信zds369466004和我联系。

二、以知乎为例介绍web scraper完整抓取流程

1、打开目标网站,这里以采集知乎第一大v张佳玮的关注对象为例,需要爬取的是关注对象的知乎名字、回答数量、发表文章数量、关注着数量。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图1

2、在网页上右击鼠标,选择检查选项,或者用快捷键Ctrl + Shift + I / F12 都打开 Web Scraper。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图2

3、打开后点击create sitemap选择create sitemap创建一个站点地图。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图3

点击create sitemap后就得到如图页面,需要填写sitemap name,就是站点名字,这点可以随便写,自己看得懂就好;还需要填写starturl,就是要抓取页面的链接。填写完就点击create sitemap,就完成创建站点地图了。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图4
不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图5

4、设置一级选择器:选定采集范围

接下来就是重中之重了。这里先介绍一下web scraper的抓取逻辑:需要设置一个一级选择器(selector),设定需要抓取的范围;在一级选择器下建立一个二级选择器(selector),设置需要抓取的元素和内容。

以抓取张佳玮关注对象为例,我们的范围就是张佳玮关注的对象,那就需要为这个范围创建一个选择器;而张佳玮关注的对象的粉丝数、文章数量等内容就是二级选择器的内容。具体步骤如下:

(1) Add new selector 创建一级选择器Selector:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图6

点击后就可以得到下图页面,所需要抓取的内容就在这个页面设置。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图7

[if !supportLists]l  [endif]id:就是对这个选择器命名,同理,自己看得懂就好,这里就叫jiawei-scrap。

[if !supportLists]l  [endif]Type:就是要抓取的内容的类型,比如元素element/文本text/链接link/图片image/动态加载内Element Scroll Down等,这里是多个元素就选择element。

[if !supportLists]l  [endif]Selector:指的就是选择所要抓取的内容,点击select就可以在页面上选择内容,这个部分在下面具体介绍。

[if !supportLists]l  [endif]勾选Multiple:勾选 Multiple 前面的小框,因为要选的是多个元素而不是单个元素,当勾选的时候,爬虫插件会识别页面下具有相同属性的内容;

(2)这一步就需要设置选择的内容了,点击select选项下的select 得到下图:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图8

之后将鼠标移动到需要选择的内容上,这时候需要的内容就会变成绿色就表示选定了,这里需要提示一下,如果是所需要的内容是多元素的,就需要将元素都选择,例如下图所示,绿色就表示选择的内容在绿色范围内。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图9

选择内容范围后,点击鼠标,选定的内容范围就会变成如下图的红色:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图10

当一个内容变红后,我们就可以选择接下来的第二个内容,点击后,web scraper就会自动识别你所要的内容,具有相同元素的内容就都会变成红色的。如下图所示:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图11

检查这个页面我们需要的内容全部变成红色之后,就可以点击 Done selecting选项了,就可以得到如下图所示:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图12

点击save selector,保存设置。到这里后,一级选择器就创建完成了。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图13

5、设置二级选择器:选择需要采集的元素内容。

(1)点击下图中红框内容,就进入一级选择器jiawei-scrap下:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图14

(2)点击add new selector创建二级选择器,来选择具体内容。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图15

得到下图,这跟一级选择器的内容是相同的,但是设置是有区别的。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图16

[if !supportLists]Ø  [endif]id:代表抓取的是哪个字段,可以取该字段的英文,比如要选「作者」,就写「writer」;

[if !supportLists]Ø  [endif]Type:这里选Text选项,因为要抓取的是文本内容;

[if !supportLists]Ø  [endif]Multiple:不要勾选 Multiple 前面的小框,因为在这里要抓取的是单个元素;

[if !supportLists]Ø  [endif]保留设置:其余未提及部分保留默认设置。

(3)点击select选项后,将鼠标移到具体的元素上,元素就会变成黄色,如下图所示:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图17

在具体元素上点击后,元素就会变成红色的,就代表选定该内容了。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图18

(4)点击Done selecting后完成选择,再点击save selector后就可以完成关注对象知乎名字的选取了。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图19

重复以上操作,直到选完你想爬的字段。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图20

(5)点击红框部分可以看到采集的内容。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图21

6、爬取数据

(1)只需要设置完所有的 Selector,就可以开始爬数据了,点击 Scrape map,选泽scrape;:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图22

(2)点击后就会跳到时间设置页面,如下图,由于采集的数量不大,保存默认就可以,点击start scraping,就会跳出一个窗口,就开始正式采集了。

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图23

(3)稍等一会就可以得到采集效果,如下图:

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图24

(4)选择sitemap下的export dataas csv选项就可以将采集的结果以表格的形式导出。

表格效果(一部分数据):

不用代码,10分钟会采集微博、微信、知乎、58同城数据和信息插图25

除此之外,还利用web scraper采集了58同城租房信息、大众点评美食信息、微信公众号咪蒙文章、京东小米手机评价等。


作者:书生婉悠
链接:https://www.jianshu.com/p/760703b50e99
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

PHP源码|八爷源码|随便撸源码|PHP85|源码屋|码农网|站长导航|阿奇源码|开源之家|144源码|日源码|免费源码|源码下载|商业源码|免费织梦模板|免费WordPress主题
本文/资源来源于网络,由 奇偶猫 整理发布。如需转载,请注明文章来源。

2
奇偶猫

发表评论