【携程】游记攻略采集 |
您所在的位置:网站首页 › 携程网流程图 › 【携程】游记攻略采集 |
采集场景 在携程网点击【攻略】-【游记】,采集【游记】类目下的游记内容。 示例网址:https://you.ctrip.com/travels/chengdu104/3966766.html https://you.ctrip.com/travels/henan100058/3968107.html
采集字段 页面地址、发表时间、标题、喜欢数、评论数、浏览数、城市、天数、时间、人均、和谁、游记目录、游记正文
点击查看高清大图,下文其他图片同理
采集结果 采集结果可导出为Excel、CSV、HTML、数据库等多种格式。导出为Excel示例:
教程说明 本篇制作时间:2022/6/23 八爪鱼版本:V8.5.4 如果因网页改版造成网址或步骤无效,无法收集到目标数据,请联系官方客服,我们将及时修正。
采集步骤
步骤一、打开网页 步骤二、采集字段数据 步骤三、建立循环列表设置分支判断 步骤四、采集字段数据 步骤五、启动采集
以下为具体步骤:
步骤一、打开网页
1、打开网页 在首页左上角点击【新建】—【自定义任务】,将复制好的一批同类网址,粘贴进网址输入框中,并点击【保存网址】,八爪鱼中内置的浏览器会自动打开第一个网页。 同时可以看到,流程中已自动创建【循环-打开网页】步骤。
示例中输入的网址为:https://you.ctrip.com/travels/chengdu104/3966766.html https://you.ctrip.com/travels/henan100058/3968107.html
特别说明: a. 手动输入的url数量不得大于1万个,如有超过1万url,请选择【从文件导入】,具体请查看教程 网址输入升级 b. 打开网页后,如果开始开始【自动识别】,请点击【不再自动识别】或【取消识别】将其关掉。因为本文不适合使用【自动识别】。 c. 【自动识别】适用于自动识别网页上的列表、滚动和翻页,识别成功后直接启动采集即可获取数据。详情点击查看 【自动识别】教程
2、设置滚动 由于游记内容需要向下滚动页面,才会将正文和图片全部加载出来,因此我们先设置滚动加载数据,数据全部出现后再采集数据。 点击【打开网页】步骤,点击下方【高级设置】,勾选【页面滚动】,选择滚动方式为【滚动到底部】,滚动次数为30次,每次间隔1秒。
特别说明: a. 设置中的滚动次数和时间间隔,请根据采集需求和网页加载情况进行设置,并非是一成不变的,具体请点击查看 处理滚动加载数据的网页教程
步骤二、采集游记正文前的所需字段
1、采集字段 打开网页后,提取游记正文前所需的字段(游记正文稍后再提取。),包括页面地址、发表时间、标题、喜欢数、评论数、浏览数、城市、天数、时间、人均、和谁、游记目录等。 如果是文本类型的字段:选中页面中的文本,然后再选择【采集该元素文本】。 页面地址:在【数据预览】面板,点击 + 号即可添加。 提取到字段后,在【数据预览】面板,依次修改所需字段的字段名称。
3、修改字段XPath 为了完整采集到所有游记详情页的目标字段,我们需要修改其XPath。 点击【提取数据】步骤,点击需要修改xpath的字段右侧的【更多字段操作】按钮,点击【修改元素定位】,进入【修改元素定位】设置页面,修改XPath,然后点击【应用】保存。 以下为各个字段修改后的XPath: 【发表时间】://div[@class="ctd_content"]//h3|//div[@class="time"] 【标题】://DIV[@class="ctd_head_con cf"]/H1[1]|//div[@class="ctd_head_left"]//h2 【城市】://UL[@class="ctd_des_list cf"]/LI[1]/H3[1]|//ul[@class="ctd_ttd"]/li[@style]/h4 【天数】://span[contains(text(),'天数')] 【时间】://span[contains(text(),'时间')] 【和谁】://span[contains(text(),'和谁')] 【人均】://span[contains(text(),'人均')]
特别说明: a. 修改Xpath,需要一定的XPath知识。点击查看 XPath学习与实例教程
步骤三、建立【循环列表】并设置分支判断
该网页游记正文为图文交叉的数据,我们如果需要按顺序将图文依次采集下来,就需要建立【循环列表】并设置分支判断,先用不同分支采集图文,再将其合并在一个单元格中,具体操作如下:
1、创建【循环列表】 ① 选中页面上一个文章段落(注意一定要选中整个段落,而不是一行),八爪鱼会自动识别其他同类段落 ② 点击【选中全部】 ③ 点击【采集以下元素文本】 这样段落文本采集的循环列表就建立好了,但是,以上【循环列表】没有包括图片。为了将图片也包括进去,需要修改一下【循环列表】的XPath: 进入【循环列表】设置页面,修改XPath为: //div[@class="ctd_content"]/div | //div[@class="ctd_content"]/p。 然后,将生成的【提取数据】步骤删掉,后面再手动创建。
特别说明: a. 为何通过以上3步,可建立【循环列表】?详情点击查看 采集列表数据的教程 。 b. 如何修改XPath?这需要一定的XPath知识。点击查看 XPath学习与实例教程
2、设置分支判断 由于文本和图片是不同的采集方式,因此我们要设置判断分支,不同的分支采集不同类型的数据。 ① 在流程图中添加一个【判断条件】步骤,默认为两个分支。 ② 为左分支设置【分支执行条件】为【当前循环项包含元素】,填入XPath: //div[contains(text(),img)] ,用来判断并采集图片地址。 ③ 右分支不做设置,默认执行,用来采集文本。
特别说明: a. 判断条件是什么?如何设置判断条件?点击查看 判断条件教程 。
步骤四、采集字段数据
1、采集字段 判断条件设置好后,接下来就是分别提取图片和文本数据。 点击【循环列表】框,然后在页面中选中一张图片,点击【采集该图片链接】,生成一个【提取数据1】步骤,将该步骤拖动到左分支中,用来采集图片地址。 将字段名改为正文。
点击【循环列表】框,然后在页面中选中一个段落,点击【采集该元素的文本】,生成一个【提取数据2】步骤,将该步骤拖动到右分支中,用来采集文本。 将字段名改为正文。
2、编辑字段 修改两个【提取数据】步骤里面的【正文】字段的设置【同一字段的多行合并】,以将列表中的文本和图片按顺序采集下来并合并在一个单元格中。
特别说明: a. 使用判断条件时有一些注意事项,包括上面提到的:两个分支【提取数据】中的字段名称和字段个数需保持一致。其他注意事项请点击查看 判断条件教程 。
步骤六、启动采集
1、单击【采集】并【启动本地采集】。启动后八爪鱼开始自动采集数据。
特别说明: a. 【本地采集】是使用自己的电脑进行采集,【云采集】是使用八爪鱼提供的云服务器采集,点击查看 本地采集与云采集详解。
2、采集完成后,选择合适的导出方式来导出数据。支持导出为Excel,CSV,HTML,数据库等。这里导出为Excel。数据示例:
作者:Fan 编辑:surely |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |