微信文章爬虫实现方法.docx

八爪鱼·云采集服务平台 八爪鱼·云采集服务平台 微信文章爬虫实现方法 如今越来越多的优质内容发布在微信公众号中，对这些内容，有些朋友会有采集下来的需求，下面为大家介绍使用八爪鱼爬虫工具去抓取采集微信文章信息。 本文将以搜狗微信文章为例，介绍使用八爪鱼采集网页文章正文的方法。文章正文里一般包括文本和图片两种。本文将采集文章正文中的文本+图片URL。 将采集以下字段：文章标题、时间、来源和正文（正文中的所有文本，将合并到一个excel单元格中，将使用到“自定义数据合并方式”功能，请大家注意）。同时，采集文章正文中的文本+图片URL，将用到“判断条件”，“判断条件”的使用，有很多需要注意的地方。以下两个教程，大家可先熟悉一下。 “自定义数据合并方式”详解教程： HYPERLINK /tutorialdetail-1/zdyhb_7.html /tutorialdetail-1/zdyhb_7.html “判断条件”详解教程： HYPERLINK /tutorialdetail-1/judge.html /tutorialdetail-1/judge.html 采集网站：/ 使用功能点： 分页列表信息采集 HYPERLINK /tutorial/fylb-70.aspx?t=1 /tutorial/fylb-70.aspx?t=1 Xpath HYPERLINK /search?query=XPath /search?query=XPath AJAX点击和翻页 HYPERLINK /tutorial/ajaxdjfy_7.aspx?t=1 /tutorial/ajaxdjfy_7.aspx?t=1 判断条件 HYPERLINK /tutorialdetail-1/judge.html /tutorialdetail-1/judge.html AJAX滚动 HYPERLINK /tutorialdetail-1/ajgd_7.html /tutorialdetail-1/ajgd_7.html 步骤1：创建采集任务 1）进入主界面，选择“自定义模式” 微信文章爬虫实现方法步骤1 2）将要采集的网址URL复制粘贴到网站输入框中，点击“保存网址” 微信文章爬虫实现方法步骤2 HYPERLINK /article/javascript:; 步骤2：创建翻页循环 在页面右上角，打开“流程”，以展现出“流程设计器”和“定制当前操作”两个板块。网页打开后，默认显示“热门”文章。下拉页面，找到并点击“加载更多内容”按钮，在操作提示框中，选择“更多操作” 微信文章爬虫实现方法步骤3 选择“循环点击单个元素”，以创建一个翻页循环 微信文章爬虫实现方法步骤4 由于此网页涉及Ajax技术，我们需要进行一些高级选项的设置。选中“点击元素”步骤，打开“高级选项”，勾选“Ajax加载数据”，设置时间为“2秒” 微信文章爬虫实现方法步骤5 注：AJAX即延时加载、异步更新的一种脚本技术，通过在后台与服务器进行少量数据交换，可以在不重新加载整个网页的情况下，对网页的某部分进行更新。 表现特征：a、点击网页中某个选项时，大部分网站的网址不会改变；b、网页不是完全加载，只是局部进行了数据加载，有所变化。 验证方式：点击操作后，在浏览器中，网址输入栏不会出现加载中的状态或者转圈状态。 观察网页，我们发现，通过5次点击“加载更多内容”，页面加载到最底部，一共显示100篇文章。因此，我们设置整个“循环翻页”步骤执行5次。选中“循环翻页”步骤，打开“高级选项”，打开“满足以下条件时退出循环”，设置循环次数等于“5次”，点击“确定” 微信文章爬虫实现方法步骤6 步骤3：创建列表循环并提取数据 HYPERLINK /article/javascript:; 移动鼠标，选中页面里第一条文章链接。系统会自动识别相似链接，在操作提示框中，选择“选中全部” 微信文章爬虫实现方法步骤7 选择“循环点击每个链接” 微信文章爬虫实现方法步骤8 系统会自动进入文章详情页。点击需要采集的字段（这里先点击了文章标题），在操作提示框中，选择“采集该元素的文本”。文章发布时间、文章来源字段的采集方法同理 微信文章爬虫实现方法步骤9 接下来开始采集文章正文。先点击文章正文的第一段，系统会自动识别页面内的同类元素，选择“选中全部” 微信文章爬虫实现方法步骤10 5）可以看到，所有的正文段落均被选中，变为绿色。选择“采集以下元素文本” 微信文章爬虫实现方法步骤11 注意：在字段表中，可进行字段的自定义修改 微信文章爬虫实现方法步骤12 6）经过如上操作，正文就会被全部采集下来（默认为每一段正文为一个单元格）。一般而言，我们希望采集的正文，合并为同一个单元格。点击“自定义数据字段”按钮