干货推荐/如何使用爬虫程序采集马蜂窝旅行攻略数据

本文主要介绍如何使用后羿采集器的智能模式,免费采集马蜂窝旅行攻略的内容、阅读量、收藏量、评论数及体验人数等信息。

采集工具简介:

后羿采集器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。

官方网址:http://www.houyicaiji.com/

采集对象简介:

马蜂窝是中国领先的自由行服务平台,由陈罡和吕刚创立于2006年,从2010年正式开始公司化运营。马蜂窝的景点、餐饮、酒店等点评信息均来自上亿用户的真实分享,是广受中国年轻一代追捧的旅行网站,被誉为中国的旅行圣经。马蜂窝以“自由行”为核心,提供全球超过60000个旅游目的地 的旅游攻略、旅游问答、旅游点评等资讯,以及酒店、交通、当地游等自由行产品及服务。

采集字段:

攻略标题、攻略链接、阅读量、体验人数、封面图、评论数、收藏量、分享次数、点赞数、发布时间、攻略内容、页面PDF

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:

导出到Excel表格:

导出的PDF文件:

下面我们来详细介绍一下如何免费采集马蜂窝旅游攻略的信息数据,我们以泰国自由行的旅游攻略为例,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,下载并安装爬虫软件工具—后羿采集器软件

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云旗下产品,如果您是神箭手用户,可直接登录。

步骤二:新建采集任务

1、复制马蜂窝泰国自由行旅行攻略的网页(需要搜索结果页的网址,而不是首页的网址)

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。

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。

在列表页上,我们需要采集泰国自由行攻略的攻略标题、攻略链接、阅读量、体验人数以及封面图等信息,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了泰国自由行攻略的部分信息,如果需要攻略的具体内容的话,我们需要右击房源链接使用“深入采集”功能,跳转到详情页进行采集。

在详情页面我们可以看到攻略的详细内容、评论数、收藏数、发布时间等信息,同时我们可以看到攻略里面有非常多的图片,如果我们一 一设置字段的话,字段会非常多,而且每篇攻略的图片位置不同,可能导致采集不完整,所以我们在这里可以添加一个特殊字段,“页面PDF”,我们可以点击“添加字段”添加采集字段,全部字段设置效果如下:

步骤四:设置并启动采集任务

1、设置采集任务

完成了采集数据添加,我们可以开始启动采集任务了。在启动之前我们需要对采集任务进行一些设置,从而提高采集的稳定性和成功率。

点击“设置”按钮,在弹出的运行设置页面中我们可以进行运行设置和防屏蔽设置,这里我们勾选“跳过继续采集”,由于采集页面PDF时如果等待时长过慢,可能导致图片还未展示完整就已经采集了,所以我们设置“5”秒请求等待时间,勾选“不加载网页图片”,防屏蔽设置就按照系统默认设置,然后点击保存。

2、启动采集任务

点击“保存并启动”按钮,可在弹出的页面中进行一些高级设置,包括定时启动、自动入库和下载图片,本次示例中未使用到这些功能,直接点击“启动”运行爬虫工具。

【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。

3、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),我们选择自己需要方式和文件类型,点击“确认导出”。

【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。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181121A0NOO800?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券