大家好。簡單的采集規則讓不懂代碼的同學通過簡單學習掌握爬蟲技巧是胖鼠采集的核心
來源: 胖鼠采集 （原文保持最新規則教程）
下面帶領大家來創建一個自己采集規則。
視頻版本 https://v.youku.com/v_show/id_XNDI5MTQ2NzkwMA==.html?spm=a2h3j.8428770.3416059.1
核心只需要填好五個參數
- 采集地址
- 采集范圍
- 采集規則
- 詳情頁采集范圍
- 詳情頁采集規則
地址: 顧名思義, 是我們大家目標頁面的地址
采集范圍: 你要采集目標頁面的哪一塊數據
采集規則: 你要怎么采
詳情采集范圍: 同上
詳情采集規則: 同上
核心五部曲:
例子
采集目標地址: https://xx.qq.com/webplat/info/news_version3/154/2233/3889/m2702/list_1.shtml
右鍵 檢查 即可看到頁面代碼
黃色區域就是我們要采集的范圍，所以我們采集范圍這么寫
采集范圍： .down-nr>ul>li
解釋: 加上 ul li 會循環的采集每一個塊。達到了我們列表采集的目的
采集規則: a:eq(1)
解釋: a 選中a標簽 :eq(1) 是選中 li下面第1個a標簽， 注: 數字是從0開始的。 第一個a是0 第二個a是1 懂了吧？
詳情采集范圍 .sub-cont
解釋: 看圖 .sub-cont 包括了 標題和內容。 所以我們選擇這個區域
詳情采集規則 title = .n_title
詳情采集規則 content = .sub-nr
解釋: 看圖 .n_title 是文章的標題
解釋: 看圖 .sub-nr 使文章的內容
完成的配置
解釋一下 規則名 目前默認三個值暫時夠用
- a href 取 a標簽的 href(這個屬性都是跳轉地址) 值
- xxx text 意指 取 xxx的text(文本的意思)值
- xxx html 意指 去 xxx 那個區域的 所有的html 一般用到取內容，內容比較多。且內容有排版。所以要拿到所有的原始html
標簽過濾怎么用呢？給大家描述一下
- a 就是去除掉所有a標簽保留a標簽的文本 （去掉原文一些跳轉規則）
- -a 就是刪除a標簽 已經a標簽里面所有的內容 (不建議使用，因為有些圖片是在a里面的 刪除a 圖片也沒了。)
- -div 刪除所有div
- -.class1 刪除內容中 class = class1 的標簽
- - #aaaa 刪除文中 id = aaaa 的標簽
- -p 同上
- -b 同上
- -span 同上
- -p:first 刪除第一個 p標簽
- -p:last 刪除最后一個 p標簽
- 就是這個規律...
看這里這個只是一部分。大家自行百度，所以說胖鼠采集過濾功能 很強大。
這個例子在導入默認例子按鈕里面有。大家可以導入自己品嘗！
還有一個debug功能要告訴大家
給大家實戰一下
上面這個debug例子是 debug 列表頁面的鏈接。大家要使用debug功能 測試詳情頁面的 標題 內容是否都獲取正常了 才保存這個匹配
一次花10分鍾 配一次 除了目標網站改版 就可以一直使用。希望大家花一點點時間學習一下。
有什么不懂得來找胖鼠把。祝大家用的開心用的愉快！
胖鼠采集: QQ群1: 454049736
胖鼠采集: QQ群2: 846069514