不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集

|  阅读量 | 分类: 经验心得 | 作者: 读者投稿 | 时间:2018年02月01日 07:48

几乎每个人都有需要从网上批量获取信息的需求,比如需要批量采集网站上的邮箱、批量采集1688、58同城上的商家信息、联系方式,如果让你去学编程语言?我看很多人连软件都不会装,更何况一门完整的编程语言,还要学会更正网页知识;学习火车头软件?一是贵,二是操作非常麻烦。

今天就推荐一款Google研发的数据采集插件,这款插件可以自带cookies,自带反爬虫能力,非常容易上手,按照流程下来,基本上10分钟就能学会了。我平时也经常用它采集微博知乎、豆瓣、58同城、大众点评、汽车之家等等网站的内容,非常方便。

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,今天就介绍web scraper的安装以及完整的抓取流程。

一、web scraper的安装

Web scraper是google浏览器的拓展插件,只需要在google浏览器上安装就可以了,介绍2种安装方法:

1、打开google浏览器更多工具下的拓展程序——进入到chrome 网上应用点——搜索web scraper——然后点击安装就可以了,如下图所示。

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第1张

但是以上的安装方法需要**到国外的网站上,所以需要用到**,如果有**的就可以用这种方法,如果没有就可以用下面的第二种方法:

2、通过链接:http://pan.baidu.com/s/1skXkVN3 密码:m672,下载web scraper安装程序。然后直接将安装程序拖入到chrome中的拓展程序就可以完成安装了。

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第2张

完整完后就马上可以使用了。

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第3张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第4张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第5张

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。

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第6张

具体如下图:

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第7张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第8张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第9张

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。

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。

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。

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第10张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第11张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第12张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第13张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第14张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第15张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第16张

(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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第17张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第18张

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」;

Type:这里选Text选项,因为要抓取的是文本内容;

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;

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第19张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第20张

(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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第21张

重复以上操作,直到选完你想爬的字段。

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第22张

(5)点击红框部分可以看到采集的内容。

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第23张

Data preview可以看到采集内容,edit可以对设置的内容做修改。

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第24张

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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第25张

(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分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第26张

(3)稍等一会就可以得到采集效果,如下图:

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第27张

(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。

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第28张

表格效果:

不用代码10分钟就能学会微博知乎豆瓣淘宝数据采集 豆瓣网 免费资源 Google 经验心得 第29张

以上就是以知乎为例介绍基本的采集步骤和设置,看着虽然细节繁多,但是仔细算下来真没多少步骤,基本上10分钟就能够完全掌握采集的流程;无论是什么类型的网站,设置的基本流程都是大致一样的,有兴趣可以认真深入研究。

作者:白面书生  微信:zds369466004

相关阅读:

介绍一些数据收集的方法

由一张图想到的数据收集

如何进行网站分析?

顶: 7 踩: 0

来源: QQ/微信:13340454 ,转载请注明出处!

本文地址: