舆情大作战之教你用爬虫实时监控凤凰网新闻信息数据

本文介绍如何使用后羿采集器的智能模式,免费采集凤凰网新闻的内容、评论数、发布时间等信息。

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:

凤凰网是全球领先的跨平台网络新媒体公司,整合旗下综合门户凤凰网、手机凤凰网和凤凰视频三大平台,秉承”中华情怀,全球视野,兼容开放,进步力量”的媒体理念, 为主流华人提供互联网、无线通信、电视网的三网融合无缝衔接的新媒体优质内容与服务。

采集字段:

新闻标题、新闻链接、发布时间、来源、参与人数、评论数、新闻内容

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采集凤凰网新闻数据,我们以凤凰网科技频道下的互联网新闻为例,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、复制凤凰网互联网新闻网页地址(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,我们需要采集凤凰网新闻的新闻标题、新闻链接及发布时间等信息,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凤凰网新闻的部分内容,如果需要详细的新闻内容的话,我们需要右击新闻链接,然后使用“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新闻的内容、来源、参与人数及评论数,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、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”,设置“2”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。

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!

  • 发表于:
  • 原文链接:https://kuaibao.qq.com/s/20181126A158FS00?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。

扫码关注云+社区

领取腾讯云代金券