这篇采集器爬虫程序实现原理是写给那些觉得采集难，不会使用采集器的人看的，希望你们看了这篇文章后，能够独立使用采集器爬虫程序。当然最终的目的还是为了帮大家省钱，采集规则都能卖钱真的很会玩儿。
作为一个完整的采集网站程序，需要满足两点，第一个是爬数据，第二个是发布数据。这篇文章就先用火车头采集器为例，讲下如何爬取数据，因篇幅问题，发布数据下次再讲。
采集原理
模拟正常请求，以获得服务器返回的数据，然后通过下列手段（但不限于以下手段）获取需要的数据，字符串查找、字符串截取、正则匹配、Xpath规则，json数据解析等。整个采集主要就是找到网络地址规律，拼接地址，模拟访问请求，获得数据，提取数据的过程。
数据来源
采集之初我们需要知道你采集的目标数据从哪儿来的，是网站、小程序还是APP。明白数据从哪里来的，我们才能使用相应的手段获取到数据，为了方便演示，我这里就用最简单的网站数据来源做例子。
采集数据
采集数据的过程其实就是模拟真实请求，以获得数据。但是获得的数据可能不一定就是我们需要的数据，一般我们需要对得到的数据进行处理，特别是网站采集，基本都需要进行处理。
找到采集列表页
当你想采集一个网站的文章时，你需要提供文章地址，但是我们不可能先挨着复制好文章地址再使用软件采集。在网站中，一般都会存在一个列表，这个列表中就是文章的地址，这里我拿dux主题的官网，大前端为例，进行讲解。
采集大前端设计分类下的所有文章，首先找到该分类地址：http://www.daqianduan.com/design，在这个分类地址中，我们可以看到有很多的文章地址，只需提取所有的文章地址，就能进行下一步的内容采集。在这之前，我们还需要找到分类地址中每一页的规律，不然只提供分类的首页地址，我们只能得到大概10篇文章的地址（以分类一页文章数量为准）。
点击大前端设计分类的第二页可以看到其地址为http://www.daqianduan.com/design/page/2，与第一页存在区别，但是，我们修改page后面的页码参数为1仍然能正确访问第一页的内容，因此，我们可以确定大前端dux主题的分类文章列表存在的地址规律是http://www.daqianduan.com/design/page/*
打开火车头，新建一个采集任务，配置分类文章列表网址规则如下：
各种采集器爬虫程序实现原理科普文
地址格式中使用[地址参数]替换掉变化的地方，然后选择[地址参数]为数字变化，目前大前端设计分类总共9页，所以这里我填的9。
获取文章地址
获取文章地址也很简单，在浏览器中使用F12查看文章列表中的文章链接即可，如下：
各种采集器爬虫程序实现原理科普文
这里有个需要注意的地方，我没有使用<a>标签来查找文章地址，是因为，在整个网页中，不只是文章标题会存在<a>标签，为了防止找到我们不需要的地址，这里使用的条件多加上了<h2>标签。火车头规则配置如下：
各种采集器爬虫程序实现原理科普文
在获取内容网址下选择手动设置规则获取，自动不一定会找到我们需要的地址，一般选择手动。然后提取规则就是上面红框中的网页结构元素，然后使用[参数]与(*)替换我们需要的东西和忽略的东西，[参数]是我们需要的东西，(*)则表示匹配所有，比如文章标题我们不需要且标题会变化，所以使用匹配所有。
拼接地址那里可以得到提取规则中使用了[参数]匹配得到的数据，比如我上面匹配的文章地址，在拼接地址这里填上[参数1]就会得到提取规则中第一个使用[参数]匹配到的数据。另外，拼接地址可以使用“固定地址[参数1]”形式拼接。比如提取规则那里只取了文章ID，那么在拼接地址这里就应该填上“http://www.daqianduan.com/[参数1].html”。
测试采集效果如下图：
各种采集器爬虫程序实现原理科普文
我们已经成功采集到了每一页的10篇文章地址，接下来进入内容采集。
采集内容
采集内容主要有两方面，一是文章标题，二是文章内容。采集原理是，模拟访问文章页，取得文章页所有源码，这个源码就携带了文章内容和HTML标签。然后从源码中提取标题，文章内容。一般有三种提取方式，第一种比较原始，找到唯一字段，然后使用字符串截取来提取目标内容。第二种使用正则来提取，这个方法需要会写正则表达式。第三种比较简单，使用Xpath规则来提取，浏览器自带xpath规则，不需要自己写，但提取失败率较高。
各种采集器爬虫程序实现原理科普文
火车头这边的配置如下：
各种采集器爬虫程序实现原理科普文
填好规则后，可以使用下面的测试，试试提取的内容有没有问题。
内容采集规则也是一样，这里就不多赘述了。
当你采集的内容中有不需要的或者需要替换的，可以使用替换规则，修改即可。
各种采集器爬虫程序实现原理科普文
这些功能部分收费，火车头采集器V9无限制版本分享，免费工具提供给大家使用。采集部分就到这里了，下一章讲发布规则。
评论 （0）