黑基网 首页 学院 电脑技术 查看内容

新媒体人必会的傻瓜式爬虫工具:上手WebScraper的5个步骤

2017-8-25 01:47| 投稿: xiaotiger |来自: 互联网

摘要: 做新媒体运营,很多时候会需要用到数据来帮助工作,比如你新进到一家公司做新媒体内容编辑,那你需要盘点公司已有的内容资产,避免重复生产内容。这时候就需要把网页上的数据给扒下来,放在一起,才会一目了然。从网 ...

做新媒体运营,很多时候会需要用到数据来帮助工作,比如你新进到一家公司做新媒体内容编辑,那你需要盘点公司已有的内容资产,避免重复生产内容。这时候就需要把网页上的数据给扒下来,放在一起,才会一目了然。

从网页上扒数据,最好用的方法当然是爬虫工具啦。很多人都以为爬虫很难学吧?我一开始也这么认为的,直到我遇到了 Web Scraper 这个工具,才知道原来爬网页数据也可以这么简单。

下面,我就现身说法,讲解一个小白是怎么快速上手 Web Scraper 的。

步骤一:下载 Web Scraper

Web Scraper 是 Chrome 浏览器上的一个插件,你需要翻墙进入 Chrome 应用商店,下载 Web Scraper 插件

步骤二:打开 Web Scraper

先打开一个你想爬数据的网页,比如我想爬今日头条上「吴晓波频道」这个账户的文章标题、时间、评论数,那我就先打开它,再一一进行操作。

然后用快捷键 Ctrl + Shift + I / F12 打开 Web Scraper

步骤三:新建一个 Sitemap

点击 Create New Sitemap,里面有两个选项,import sitemap是指导入一个现成的 sitemap,咱小白一般没有现成的,所以一般不选这个,选create sitemap 就好。然后进行这两个操作:

  • Sitemap Name:代表你这个 Sitemap 是适用于哪一个网页的,所以你可以根据网页来自命名,不过需要使用英文字母,比如我抓的是今日头条的数据,那我就用 toutiao 来命名;
  • Sitemap URL:把网页链接复制到 Star URL 这一栏,比如图片里我把「吴晓波频道」的主页链接复制到了这一栏。

步骤四:设置这个 Sitemap

整个 Web Scraper 的抓取逻辑是这样:设置一级 Selector,选定抓取范围;在一级 Selector 下设置二级 Selector,选定抓取字段,然后抓取

咱们换个接地气的例子,假如你要获取福建人的姓名、性别和年龄这三个要素,那么你得这么做:首先要定位到福建省,然后再在福建省里面去定位姓名、性别、年龄。

在这里,一级 Selector 表示你要在中国这个大的国家圈出福建省,二级Selector 表示你要在福建省的人口中圈定姓名、性别、年龄这三个要素。

对于文章而言,一级 Selector 就是你要把这一块文章的要素圈出来,这个要素可能包含了 标题、作者、发布时间、评论数等等,然后我们再在二级 Selector 中挑出我们要的要素,比如标题、作者、阅读数。

下面我们来拆解这个设置一级、二级 Selector 的工作流:

1. 点击 Add new selector 创建一级 Selector,按照以下步骤操作:

  • 输入id:id 代表你抓取的整个范围,比如这里是文章,我们可以命名为 wuxiaobo-articles;
  • 选择Type:type 代表你抓取的这部分的类型,比如元素/文本/链接,因为这个是整个文章要素范围选取,我们需要用 Element 来先整体选取(如果这个网页需要滑动加载更多,那就选 Element Scroll Down);
  • 勾选Multiple:勾选 Multiple 前面的小框,因为你要选的是多个元素而不是单个元素,当我们勾选的时候,爬虫插件会帮助我们识别多篇同类的文章;
  • 保留设置:其余未提及部分保留默认设置。

2. 点击 select 选择范围,按照以下步骤操作:

  • 选择范围:用鼠标选择你要爬取数据的范围,绿色是待选区域,用鼠标点击后变为红色,才是选中了这块区域;
  • 多选:不要只选一个,下面的也要选,否则爬出来的数据也只有一行;
  • 完成选择: 记得点 Done Selecting;
  • 保存:点击 Save Selector。

3. 设置好了这个一级的 Selector 之后,点进去设置二级的 Selector,按照以下步骤操作:

  • 新建Selector:点击 Add new selector ;
  • 输入id:id 代表你抓取的是哪个字段,所以可以取该字段的英文,比如我要选「作者」,我就写「writer」;
  • 选择Type:选 Text,因为你要抓取的是文本;
  • 勿勾选Multiple:不要勾选 Multiple 前面的小框,因为我们在这里要抓取的是单个元素;
  • 保留设置:其余未提及部分保留默认设置。

4. 点击 select,再点击你要爬取的字段,按照以下步骤操作:

  • 选择字段:这里爬取的字段是单个的,用鼠标点击该字段即可选定,比如要爬标题,那就用鼠标点击某篇文章的标题,当字段所在区域变红即为选中;
  • 完成选择:记得点 Done Selecting;
  • 保存:点击 Save Selector。

5. 重复以上操作,直到选完你想爬的字段。

步骤五:爬取数据

之所以说 Web Scraper 是傻瓜式爬虫工具,就是因为只需要设置完所有的 Selector,就可以开始爬数据了,怎么样,是不是简单?

那么怎么开始爬数据呢?只需要一个简单的操作:点击 Scrape,然后点Start Scraping,会弹出一个小窗,然后辛勤的小爬虫就开始工作了。你会得到一个列表,上面有你想要的所有数据。

如果你希望把这些数据做一个排序,比如按照阅读量、赞数、作者等指标排序,让数据更一目了然,那么你可以点击 Export Data as CSV,把它导入 Excel 表里

导入 Excel 表格之后,你就可以对数据进行筛选了。

以上就是快速上手 Web Scraper 的所有操作过程,连我这种懒癌 + 手残都能在 5 分钟之内搞定,相信你也可以指哪儿爬哪儿,完全 OK 的啦。

本文由 @BPteach 原创发布于人人都是产品经理。未经许可,禁止转载

小编推荐:欲学习电脑技术、系统维护、网络管理、编程开发和安全攻防等高端IT技术,请 点击这里 注册黑基账号,公开课频道价值万元IT培训教程免费学,让您少走弯路、事半功倍,好工作升职加薪!

本文出自:http://www.toutiao.com/i6457760984852333069/

免责声明:本文由投稿者转载自互联网,版权归原作者所有,文中所述不代表本站观点,若有侵权或转载等不当之处请联系我们处理,让我们一起为维护良好的互联网秩序而努力!联系方式见网站首页右下角。


鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论


新出炉

返回顶部