不用代码,新媒体人10分钟就能学会的数据采集方法

原创 1 收藏 评论
举报 2018-01-06

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。

1.jpg

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。

3.jpg

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。

4.jpg

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

5.jpg

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。

6.jpg

具体如下图:

8.jpg

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:

9.jpg

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。

10.jpg

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:

11.jpg

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。

12.jpg

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:

13.jpg

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:

14.jpg

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:

15.jpg

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16.jpg红框内容,就进入一级选择器jiawei-scrap下:

16.jpg

(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。

17.jpg

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。

18.jpg

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:

19.jpg

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。

20.jpg

(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。

21.jpg

重复以上操作,直到选完你想爬的字段。

22.jpg

(5)点击红框部分可以看到采集的内容。

23.jpg

Data preview可以看到采集内容,edit可以对设置的内容做修改。

24.jpg

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;:

25.jpg

(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。

26.jpg

(3)稍等一会就可以得到采集效果,如下图:

27.jpg

(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。

29.jpg

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

    文明发言,无意义评论将很快被删除,异常行为可能被禁言
    DIGITALING
    登录后参与评论

    评论

    文明发言,无意义评论将很快被删除,异常行为可能被禁言
    800

    推荐评论

    暂无评论哦,快来评论一下吧!

    全部评论(0条)