不用代码，新媒体人10分钟就能学会的数据采集方法
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。
我也常用web scraper做相关的采集分析，比如之前在数英网的文章《咪蒙文章数据分析：她都写些什么内容？如何刺激转发痛点？》，就是在采集咪蒙全部文章和微博的基础上分析得到的，总共用时不到5分钟。
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。
本系列是关于web scraper的系类介绍，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。
Ok，现在就介绍web scraper的安装以及完整的抓取流程，后续会介绍多页面抓取、反爬虫、图片、链接、表格抓取等内容。
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。
如果无法下载webscraper可以通过微信或者公众号和我联系。
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。
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。
3、打开后点击create sitemap选择create sitemap创建一个站点地图。
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start url，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。
具体如下图：
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：
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。
l 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。
l 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。
l 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。
l 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：
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。
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：
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：
点击save selector，保存设置。到这里后，一级选择器就创建完成了。
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：
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：
（2）点击add new selector创建二级选择器，来选择具体内容。
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。
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。
Ø 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」；
Ø Type：这里选Text选项，因为要抓取的是文本内容；
Ø 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；
Ø 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：
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。
（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。
重复以上操作，直到选完你想爬的字段。
（5）点击红框部分可以看到采集的内容。
Data preview可以看到采集内容，edit可以对设置的内容做修改。
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；：
（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。
（3）稍等一会就可以得到采集效果，如下图：
（4）选择sitemap下的export data as csv选项就可以将采集的结果以表格的形式导出。
以上就是简单的采集，需要更多内容可以看我的微信公众号：全栈全网营销
评论
评论
推荐评论
暂无评论哦，快来评论一下吧！
全部评论（0条）