5
新手入门 功能点介绍 实战案例

如何免费采集开源中国博客文章数据

2018-12-24 09:09:54
浏览 991 次

摘要:本文介绍如何使用后羿采集器的智能模式,免费采集开源中国博客文章的标题、内容、浏览量及发布时间等信息。 免费下载软件

本文介绍如何使用后羿采集器的智能模式,免费采集开源中国博客文章的标题、内容、浏览量及发布时间等信息。

采集工具简介:

后羿采集器(www.houyicaiji.com)是一款基于人工智能技术的网页采集器,只需要输入网址就能够自动识别网页数据,无需配置即可完成数据采集,是业内首家支持三种操作系统(包括Windows、Mac和Linux)的网络爬虫软件

该软件是一款真正免费的数据采集软件,对采集结果导出没有任何限制,没有编程基础的小白用户也可轻松实现数据采集要求。

采集对象简介:

开源中国(www.oschina.net)成立于2008年8月,是目前国内最大的开源技术社区,拥有超过200万会员,形成了由开源软件库、代码分享、资讯、协作翻译、码云、众包、招聘等几大模块内容,为IT开发者提供了一个发现、使用、并交流开源技术的平台。

采集字段:

标题、文章链接、摘要、作者、发布时间、阅读量、评论数、点藏数、文章内容、字数、收藏数

功能点目录:

如何对采集字段进行配置

如何采集列表+详情页类型网页

采集结果预览:

下面我们来详细介绍一下如何免费采集开源中国博客数据,我们以人工智能版块的文章为例,具体步骤如下:

步骤一:下载安装后羿采集器,并注册登录

1、打开后羿采集器官网,下载并安装最新版的后羿采集器

2、点击注册登录,注册新账号,登录后羿采集器

【温馨提示】您可以直接使用此款爬虫软件,不需要进行注册,但是匿名账户下的任务在切换到注册用户时会丢失,因此建议您注册后使用。

后羿采集器为神箭手旗下产品,神箭手用户可直接登录。

步骤二:新建采集任务

1、复制开源中国博客人工智能板块的网页地址(需要搜索结果页的网址,而不是首页的网址)

点此了解关于如何正确地输入网址。

2、新建智能模式采集任务

您可以在软件上直接新建采集任务,也可以通过导入规则来创建任务。

点此了解如何导入和导出采集规则。

步骤三:配置采集规则

1、设置提取数据字段

在智能模式下,我们输入网址后软件即可自动识别出页面上的数据并生成采集结果,每一类数据对应一个采集字段,我们可以右击字段进行相关设置,包括修改字段名称、增减字段、处理数据等。

点此了解如何对采集字段进行配置。

在列表页上,我们需要采集标题、文章链接、摘要、作者、发布时间及阅读量等信息,字段设置效果如下:

2、使用深入采集功能提取详情页数据

在列表页上只展示出文章的部分内容,如果需要详细的文章内容的话,我们需要右击文章链接,然后使用“深入采集”功能,跳转到详情页进行采集。

点此深入了解如何采集列表+详情页类型网页。

在详情页面我们可以看到文章的具体内容、文章字数及收藏数,我们可以点击“添加字段”添加采集字段,字段设置效果如下:

步骤四:设置并启动采集任务

1、启动采集任务

点击“开始采集”按钮,可在弹出的启动设置页面中进行一些高级设置,包括“开启定时、开启防屏蔽、开启自动导出、开启图片下载、开启加速引擎”功能,输入框内为默认设置,如果需要设置具体的功能,勾选相应功能跳转界面去设置,本次采集任务没有使用到这些功能,直接点击“启动”运行爬虫工具。

点此深入了解什么是定时采集。

点此深入了解什么是自动入库。

点此深入了解如何下载图片。

【温馨提示】免费版本可以使用非周期性定时采集功能,下载图片功能是免费的。个人专业版及以上版本可以使用高级定时功能和自动入库功能。

2、运行任务提取数据

任务启动之后便开始自动采集数据,我们从界面上可以直观的看到程序运行过程和采集结果,采集结束之后会有提醒。

步骤五:导出并查看数据

数据采集完成后,我们可以查看和导出数据,后羿采集器支持多种导出方式(手动导出到本地、手动导出到数据库、自动发布到数据库、自动发布到网站)和导出文件的格式(EXCEL、CSV、HTML和TXT),同时还支持导出具体条数,也可以在数据中选择想导出的条数,然后点击“确认导出”。

点此深入了解如何查看和清空采集数据。

点此深入了解如何导出采集结果。

【温馨提示】:所有手动导出功能都是免费的。个人专业版及以上版本可以使用发布到网站功能。

 

再为您推荐几个相关的采集教程:

如何免费采集CSDN社区文章数据

如何免费采集博客园社区文章数据

如何免费采集ITPUB文章数据

 

声明:
本教程所采集的网站及内容,仅作为示例教程使用,不涉及商业用途,如果侵犯您的权利,请与我们联系,谢谢!

分享到: