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
【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】
本教程仅供教学使用，严禁用于商业用途！
标签：翻页,收视率,爬虫,采集,从零开始,child,数据,链接 From： https://www.cnblogs.com/forenose/p/16986279.html