|
几乎每个人都有需要从网上批量获取信息的需求，比如需要批量采集网站上的邮箱、批量采集1688、58同城上的商家信息、联系方式，如果让你去学编程语言?我看很多人连软件都不会装，更何况一门完整的编程语言，还要学会更正网页知识;学习火车头软件?一是贵，二是操作非常麻烦。
今天就推荐一款Google研发的数据采集插件，这款插件可以自带cookies，自带反爬虫能力，非常容易上手，按照流程下来，基本上10分钟就能学会了。我平时也经常用它采集微博、知乎、豆瓣、58同城、大众点评、汽车之家等等网站的内容，非常方便。
Web scraper是google强大插件库中非常强大的一款数据采集插件，有强大的反爬虫能力，只需要在插件上简单地设置好，可以快速抓取知乎、简书、豆瓣、大众、58等大型、中型、小型的90%以上的网站，包括文字、图片、表格等内容，最后快速导出csv格式文件。Google官方对web scraper给出的说明是：
使用我们的扩展，您可以创建一个计划(sitemap)，一个web站点应该如何遍历，以及应该提取什么。使用这些sitemaps,Web刮刀将相应地导航站点并提取所有数据。稍后可以将剪贴数据导出为CSV。
本系列是关于web scraper的系类介绍，将会完整介绍流程介绍，用知乎、简书等网站为例介绍如何采集文字、表格、多元素抓取、不规律分页抓取、二级页抓取、【请不要乱说话，词语被禁止】站抓取，以及一些反爬虫技术等全部内容。
Ok，今天就介绍web scraper的安装以及完整的抓取流程。
一、web scraper的安装
Web scraper是google浏览器的拓展插件，只需要在google浏览器上安装就可以了，介绍2种安装方法：
1、打开google浏览器更多工具下的拓展程序——进入到chrome 网上应用点——搜索web scraper——然后点击安装就可以了，如下图所示。
但是以上的安装方法需要翻墙到国外的网站上，所以需要用到vpn，如果有vpn的就可以用这种方法，如果没有就可以用下面的第二种方法：
2、通过链接：http://pan.baidu.com/s/1skXkVN3 密码：m672，下载web scraper安装程序。然后直接将安装程序拖入到chrome中的拓展程序就可以完成安装了。
完整完后就马上可以使用了。
二、以知乎为例介绍web scraper完整抓取流程
1、打开目标网站，这里以采集知乎第一大v张佳玮的关注对象为例，需要爬取的是关注对象的知乎名字、回答数量、发表文章数量、关注着数量。
2、在网页上右击鼠标，选择检查选项，或者用快捷键 Ctrl + Shift + I / F12 都打开 Web Scraper。
3、打开后点击create sitemap选择create sitemap创建一个站点地图。
点击create sitemap后就得到如图页面，需要填写sitemap name，就是站点名字，这点可以随便写，自己看得懂就好;还需要填写start url，就是要抓取页面的链接。填写完就点击create sitemap，就完成创建站点地图了。
具体如下图：
4、设置一级选择器：选定采集范围
接下来就是重中之重了。这里先介绍一下web scraper的抓取逻辑：需要设置一个一级选择器(selector)，设定需要抓取的范围;在一级选择器下建立一个二级选择器(selector)，设置需要抓取的元素和内容。
以抓取张佳玮关注对象为例，我们的范围就是张佳玮关注的对象，那就需要为这个范围创建一个选择器;而张佳玮关注的对象的粉丝数、文章数量等内容就是二级选择器的内容。 具体步骤如下：
(1) Add new selector 创建一级选择器Selector：
点击后就可以得到下图页面，所需要抓取的内容就在这个页面设置。
id：就是对这个选择器命名，同理，自己看得懂就好，这里就叫jiawei-scrap。
Type：就是要抓取的内容的类型，比如元素element/文本text/链接link/图片image/动态加载内Element Scroll Down等，这里是多个元素就选择element。
Selector：指的就是选择所要抓取的内容，点击select就可以在页面上选择内容，这个部分在下面具体介绍。
勾选Multiple：勾选 Multiple 前面的小框，因为要选的是多个元素而不是单个元素，当勾选的时候，爬虫插件会识别页面下具有相同属性的内容;
(2)这一步就需要设置选择的内容了，点击select选项下的select 得到下图：
之后将鼠标移动到需要选择的内容上，这时候需要的内容就会变成绿色就表示选定了，这里需要提示一下，如果是所需要的内容是多元素的，就需要将元素都选择，例如下图所示，绿色就表示选择的内容在绿色范围内。
选择内容范围后，点击鼠标，选定的内容范围就会变成如下图的红色：
当一个内容变红后，我们就可以选择接下来的第二个内容，点击后，web scraper就会自动识别你所要的内容，具有相同元素的内容就都会变成红色的。如下图所示：
检查这个页面我们需要的内容全部变成红色之后，就可以点击 Done selecting选项了，就可以得到如下图所示：
点击save selector，保存设置。到这里后，一级选择器就创建完成了。
5、设置二级选择器：选择需要采集的元素内容。
(1)点击下图中红框内容，就进入一级选择器jiawei-scrap下：
(2)点击add new selector创建二级选择器，来选择具体内容。
得到下图，这跟一级选择器的内容是相同的，但是设置是有区别的。
id：代表抓取的是哪个字段，可以取该字段的英文，比如要选「作者」，就写「writer」;
Type：这里选Text选项，因为要抓取的是文本内容;
Multiple：不要勾选 Multiple 前面的小框，因为在这里要抓取的是单个元素;
保留设置：其余未提及部分保留默认设置。
(3)点击select选项后，将鼠标移到具体的元素上，元素就会变成**，如下图所示：
在具体元素上点击后，元素就会变成红色的，就代表选定该内容了。
(4)点击Done selecting后完成选择，再点击save selector后就可以完成关注对象知乎名字的选取了。
重复以上操作，直到选完你想爬的字段。
(5)点击红框部分可以看到采集的内容。
Data preview可以看到采集内容，edit可以对设置的内容做修改。
6、爬取数据
(1)只需要设置完所有的 Selector，就可以开始爬数据了，点击 Scrape map，
选泽scrape;：
(2)点击后就会跳到时间设置页面，如下图，由于采集的数量不大，保存默认就可以，点击 start scraping，就会跳出一个窗口，就开始正式采集了。
(3)稍等一会就可以得到采集效果，如下图：
(4)选择sitemap下的export data as csv选项就可以将采集的结果以表格的形式导出。
表格效果：
以上就是以知乎为例介绍基本的采集步骤和设置，看着虽然细节繁多，但是仔细算下来真没多少步骤，基本上10分钟就能够完全掌握采集的流程;无论是什么类型的网站，设置的基本流程都是大致一样的，有兴趣可以认真深入研究。 | 
发表于 2018-2-1 15:09:16
百度
谷歌
雅虎
搜狗
搜搜
有道
360
奇虎
收藏