我的采集小程序配置篇

前不久把自己无聊时候写的采集程序贡献了出来,没想到反响还不错,不过可能我写的不是很清楚,让大家在采集中遇到了各类问题,这次说一下如何来配置采集项目,以及如何采集入库等。请到“MyCollection 程序 F&Q”,我会回答采集程序的相关问题。

如果你第一次看,可以先看下“ 自己做的一个小程序 可采集、导出、模板、配置

程序做的很简单,配置也都是按照以往看到的一些采集程序结合自己的需求来做的,配置方面分为了:程序配置和采集项目配置。

程序配置只是简单的一些系统需求参数,点击设置采集参数,会弹出如下设置项:

(刚发觉Form Title都没有改过。。。哈哈)

分别说说

图片保存地址:采集过程中目标网站的采集到的缩略图(我这里是商品的缩略图)目录

数据导出地址:选中项目的导出文件地址(也就是把采集的数据转换成淘宝助手所支持的格式,然后保存到此设置目录,文件名为:项目名 + “.cvs”)

宝贝模板地址:简单来说就是一个页面的模板,你可以设置空模板,也可以弄的漂亮点,套上去,页面的例子忘记了,大家可以看代码,也就replace XX的,没什么大花头。

程序配置就这些,非常简单,接下来重点说下采集项目的配置。

点击添加采集项目,进入到配置窗口:

大大一个框,Title 和 按钮文本都没有修改,惭愧惭愧。我们分拆开来说,同时举例说明一下:

项目名称:XXXX 显示在列表中的名称,生成文件会按项目名称来。这里以http://movie.taogame.com/List.asp?ClassId=2为例(我自己的电影站,免费的哦)

列表页配置:

地址:列表页地址(也就是采集的入口点) 这里输入:http://movie.taogame.com/List.asp?ClassId=2

UTF8:如果是UTF8编码的,请勾选此框,默认为GB2312 因为范例页面为GB2312,所有不勾选

列表开始 & 列表结束 : 确定一个区域出来,至少里面包含了你要采集的内容链接列表。

右键-查看源代码,找到相应的列表开始处&结尾处

开始处:

结尾处:

范围大小没有关系,不过一定要唯一,这样才能采集到。此例中填写如下:

列表开始:

<h3>当前位置:<span><a href=”/”>首页</a> >> 综艺片</span></h3> <ul> <li>

这里请注意,不要去掉换行、空格等,否则不能匹配到。

还有要注意,单引号、双引号都需要的。

列表结束:

</ul> </div> <div id="page" class="bord mtop">共110页 1309部 页次:1/110页 首页 上一页

链接开始&结束:因为链接会有很多项,所以我们先前确定了区域,那样可以更好的匹配链接。配置链接的时候,要注意,采集到的链接一定不要重复,因为在列表中,可能一个链接会重复几次,我们只需要一次。

本例中,相关代码:

链接开始:

<li><a href="

链接结束:

" class="img"

后面的配置,其实跟列表页都一样,只要唯一匹配就可以,当然,因为是内容页配置,你必须先打开一个内容页,查看源代码,然后再进行配置,本例中:

<title>

标题开始

</title>

标题结束

<div class="bord mtop">

介绍开始

</div>        <div class="bord mtop cen con">

介绍结束

img class="img" src="

图片开始

" alt="

图片结束

<meta http-equiv="Content-Type" content="text/html; charset=gb

价格开始(因为这是电影,没有价格,所以我随便设的,程序没有容错机制,为了演示,随便找了个数字)

" />

价格结束

好了,都配置完以后,点击那个开始采集(其实应该是保存设置),到主窗口后,请选中此采集项目,然后点击开始采集:

好了,如果配置正确的话,采集将顺利进行,查看一下结果画面:

就这么简单,配置完成了,接下来看看数据吧。点击“显示项目数据”按钮(请注意,一定要在GridView中选中项),如图:

看看我们的详细内容采集如何:

Ok,比较顺利,不过介绍好像多了点内容,这个大家可以自己进行配置一下:)

说的比较乱,不过很简单的,相信大家肯定会明白的,不明白的请到“ MyCollection 程序 F&Q ”,我会为大家解答。

程序的思路:现在的网站,大多都是列表 -> 内容 (文章、下载、商品)这种形式,所以采用列表页作为采集入口,随后使用了唯一匹配和正则匹配,把要采集数据的链接一一获取,通过Foreach方式,进行单独采集。内容页也通过唯一匹配进行属性赋值,然后存入数据库。

简单的思路,也没什么复杂,目前不支持分页,不支持很多东西,大家可以一起来扩展一下,我准备放到CodePlex中玩玩。

PS:这个采集的小程序,我决定重新写一遍,利用现在学到的来实践一下,想用WPF,用了一半发觉自己的艺术细胞实在太差了,用和不用一个样。。。傻了傻了。

PS2:上周六写的关于dynamic的东东,写的太烂了,米什么人看,原本打算可以使用dynamic来动态加载类型,深入后,发觉好像很难做到,现在有点僵了。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏编程

Python2下载单张图片和爬取网页图片

昨天用Python2爬取了一首歌的热评和评论总数,今天用Python2来下载图片。 一、需求分析 1、知道图片的url地址,将图片下载到本地。 2、知道网页地址...

1879
来自专栏向治洪

React Native开发之ATOM开发实用技巧

前面对React Native开发工具Atom做了一个详细的介绍,详见RN开发IDE详解。 Atom作为一款前端开发利器,有很多的插件供我们选择,这里罗列常...

1808
来自专栏小白课代表

OneTab – 帮你节省 95% 的内存,让 Chrome / Firefox 重焕新生

浏览器作为我们上网的窗口,在我们的工作学习中担任着非常重要的角色,但人们想要浏览什么东西的时候,往往都是打开浏览器,打开网站,搜索关键词,尤其是你想要查某样东西...

1635
来自专栏北京马哥教育

【图文详解】python爬虫实战——5分钟做个图片自动下载器

我想要(下)的,我现在就要 python爬虫实战——图片自动下载器 之前介绍了那么多基本知识【Python爬虫】入门知识(没看的赶紧去看)大家也估计手痒了。想要...

3558
来自专栏python小白到大牛

动漫迷的福利!Python小白也可以学会的爬虫教程

有一段没用 python 了,我也不知道自己为什么对 python 越来越淡,可能自己还是比较喜欢 android ,毕竟自己第一次接触编程就是 android...

1022
来自专栏Porschev[钟慰]的专栏

Nodejs学习笔记(五)--- Express安装入门与模版引擎ejs

前言   前面也学习了一些Node.js的基本入门知道,现在开始进入Web开发的部分;   Node.js提供了http模块,这个模块中提供了一些底层接口,可...

24210
来自专栏游戏开发那些事

【游戏开发】Excel表格批量转换成CSV的小工具

  在工作的过程中,我们有时可能会面临将Excel表格转换成CSV格式文件的需求。这尤其在游戏开发中体现的最为明显,策划的数据文档大多是一些Excel表格,且不...

722
来自专栏前端知识分享

第144天:PS切图方法总结

    PhotoShop从CS版本演变到现在的CC版本,切图功能发生了比较大的变化,我们可以把PhotoShop CS版本时的切图功能称为传统切图,而从Pho...

822
来自专栏菩提树下的杨过

flash builder代码格式化以及其它快捷键

今天开始,决定用flash builder淘汰flash cs 4/5了,刚换过来感觉有些不适应,百度+查看帮助,找了几个有用的快捷键: 1.代码格式化:选中要...

1785
来自专栏云飞学编程

从此斗图不再怂!看大牛用python抓取百度表情包

- 学习效果: 1. 认识爬虫 / Robots协议 2. 了解浏览器开发者工具 3. 动态加载页面的处理 4. 图片资源存储 点击链接加入群【python┮】...

592

扫码关注云+社区