服务器之家:专注于服务器技术及软件下载分享
分类导航

PHP教程|ASP.NET教程|Java教程|ASP教程|编程技术|正则表达式|C/C++|IOS|C#|Swift|Android|VB|R语言|JavaScript|易语言|vb.net|

服务器之家 - 编程语言 - 编程技术 - 火车头采集器采集多页内容的抓取教程

火车头采集器采集多页内容的抓取教程

2020-07-19 00:44编程技术网 编程技术

本文主要讲解使用火车头采集器采集多页内容的抓取教程,有需要的朋友可以参考下

我们以内容页网址http://kimi201406.1688.com/page/creditdetail.htm为例,来获取它的公司介绍和联系方式页面的联系方式信息。

公司介绍在网址http://kimi201406.1688.com/page/creditdetail.htm里获取,而联系方式信息在网址http://kimi201406.1688.com/page/contactinfo.htm里获取。所以我们需要借助多页功能来实现。前者叫默认页地址,后者叫做多页地址。

流程:点击①创建多页,进行②多页设置,然后在数据来源③选择多页调用,最后根据多页源代码设置提取方式。

火车头采集器采集多页内容的抓取教程

下面重点讲解②,多页地址的两种获取方式:页面地址替换和源码中截取。

1.页面地址替换:也就是默认页和多页地址有相同的地方,通过简单的替换就可以变成多页地址。

比较默认页“http://kimi201406.1688.com/page/creditdetail.htm”和多页地址:“http: //kimi201406.1688.com/page/contactinfo.htm”之间的共同点,可以发现默认页“creditdetail.htm”替换为“contactinfo.htm”就是我们的多页地址了。

设置如下图:

火车头采集器采集多页内容的抓取教程

注:正则表达式中 (.*) 为任意通配符。$1,$2…$数字来按照顺序对应上面(.*)表示的部分。若要对多页源码部分区域做限定,可在指定多页源码区域设置。

若留空则默认返回多页整个源代码。设置好以后,点击测试查看结果即可。

2.源码中截取:也就是多页的地址在默认页的页面源代码里面。

如图,可以看到默认页源码中存在多页地址。

火车头采集器采集多页内容的抓取教程

所以设置如下:

火车头采集器采集多页内容的抓取教程

测试后如正确则保存即可。最后设置数据来源和提取方式,如图:

火车头采集器采集多页内容的抓取教程

注:如需要多级多页,则在多页地址获取方式选择需要的多页即可

火车头采集器采集多页内容的抓取教程

这两种获取方式大家掌握了吗,今后在抓取网站时使用火车采集器V9的上述操作就可以很容易地获取到关联的多页地址了,作为一款功能全面的网站抓取精灵,火车采集器一定会充分考虑到用户的使用需求,以及如何最大化实现便利

延伸 · 阅读

精彩推荐