什么爬虫最好采集数据（从零开始学爬虫）

l 采集网站

【场景描述】采集收视率排行数据。

【源网站介绍】收视率排行网提供收视率排行,收视率查询,电视剧收视率,综艺节目收视率和电视台收视率信息。

【使用工具】前嗅ForeSpider数据采集系统，免费下载:

ForeSpider免费版本下载地址

【入口网址】http://www.tvtv.hk/archives/category/tv

【采集内容】

采集收视率排行网上省级卫视收视率数据，采集字段：标题、发布时间、排行内容。

【采集效果】

如下图所示：

l 思路分析

配置思路概览：

l 配置步骤

一.新建采集任务

选择【采集配置】，点击任务列表右上方【 】号可新建采集任务，将采集入口地址填写在【采集地址】框中，【任务名称】自定义即可，点击下一步。

二. 模板配置

1. 翻页链接采集配置

①查找翻页链接及其规律

在入口地址页内打开“F12”，按如下步骤找到翻页地址，并复制刷新后的翻页链接地址

对比观察翻页链接的规律观察：随着翻页变化，页码数与请求网址（Requestrian URL）中“page/”后的数字相关。所以，其规律为：http://www.tvtv.hk/archives/category/tv/page/ 翻页页码

找到翻页链接位置及其规律就可以对应去编写脚本。

②脚本的创建与编写

【脚本的创建与编写】

脚本文本：

url u;

for ( var i=1;i<=165;i ){

u.title ="第" i "页";//页码

u.urlname = "http://www.tvtv.hk/archives/category/tv/page/" i;

u.tmplid = 1; //模板关联

u.entryid = CHANN.id;

RESULT.AddLink(u,"","");

}

③查看采集预览

查看采集预览，并将链接粘贴到浏览器验证一下是否采集正确。

【采集预览】

2. 列表链接抽取配置

①添加链接抽取，更名为列表链接

②点击脚本窗口

③新建脚本

④编写列表链接抽取脚本

脚本文本：

var sta=DOM.FindClass("page-header","header",0);//定位到header标签

var list=sta.next;//定位下一子标签

while(list) {

var link=DOM.FindClass("entry-header","header",list);//定位到header标签

var linkin=link.child.child.child.child.next.child.child.child;//定位到列表链接所在标签

url u;//定义一个url

u.title = DOM.GetTextAll(link);//取标题

u.urlname =linkin.href;//取列表链接

u.entryid = this.id;

u.tmplid =2;//关联数据抽取模板

link=link.next;

list=list.next;

RESULT.AddLink(u,"","");//传递链接

}

⑤据观察发现，列表链接规律为：http://www.tvtv.hk/archives/而翻页链接规律为：http://www.tvtv.hk/archives/category/tv/page/此处则可以用地址过滤排除翻页链接，如图；然后复制任意一个列表链接到浏览器打开验证

3. 数据抽取

①新建模板、添加数据抽取

如下新建模板并添加数据抽取，在示例地址框内输入上一步复制的列表链接

【新建模板、添加数据抽取】

②数据表结构创建

如下在表结构内创建出所需采集的字段

【创建表结构】

③关联表单

数据抽取关联数据结构表单

【关联表单】

④创建并编写数据抽取脚本

如下创建脚本，并根据网页结构编写数据抽取脚本

【脚本的创建与编写】

脚本文本：

record re;//定义一个record记录集

var name=DOM.FindClass("entry-header","header",0);//定位到header标签

var cont=DOM.FindClass("entry-content","div",0);//定位到div标签

re.title=DOC.GetDom().GetTextAll(name.child);//取标题文本

re.time_sub=DOC.GetDom().GetTextAll(name.child.next.child);//取时间文本

re.content=DOC.GetDom().GetTextAll(cont).Right("排名");//取排名文本

re.id=MD5(URL.urlname) ;//id

RESULT.AddRec(re,this.schemaid);//输出结果

⑤查看采集预览

查看采集预览，并核对一下内容是否采集正确。

【采集预览】

l 采集步骤

三、数据采集

1.建立数据表单：

选择【数据建表】，点击【表单列表】中该模板的表单，在【关联数据表】中选择【创建】，表名称自定义，这里命名为【shoushilv】（注意命名不能用数字、文字和特殊符号），点击【确定】。创建完成，勾选数据表，并点击右上角保存按钮。

【建立关联数据表】

2.开始采集

选择【数据采集】，勾选任务名称，点击【开始采集】，则正式开始采集。

【开始采集】

3.导出数据

采集结束后，可以在【数据浏览】中，选择数据表查看采集数据，并可以导出数据。

【数据浏览】

【数据导出】

4.导出的文件打开如下图所示：

【查看导出数据】

,