抓取网页数据工具(最简单的数据抓取教程，人人都用得上(组图))

　　抓取网页数据工具(最简单的数据抓取教程，人人都用得上(组图))

　　最简单的数据采集教程，人人都可以使用

　　Web Scraper 是一款面向普通用户（无需专业 IT 技术）的免费爬虫工具，通过鼠标和简单的配置，您可以轻松获取您想要的数据。例如知乎答案列表、微博热点、微博评论、电商网站产品信息、博客文章list等

　　安装过程

　　在线安装需要 FQ 网络和 Chrome App Store 访问权限

　　1、 在线访问 Web Scraper 插件并点击“添加到 CHROME”。

　　

　　1.png

　　2、 并在弹出框中点击“添加扩展”

　　

　　2.png

　　3、 安装完成后，顶部工具栏会显示 Web Scraper 图标。

　　

　　3.png

　　如果不能FQ，可以使用本地FQ方法。在此公众号回复“爬虫”，即可下载Chrome和Web Scraper扩展程序。

　　1、打开Chrome，在地址栏中输入chrome://extensions/，进入扩展管理界面，然后将下载的扩展Web-Scraper_v0.3.7.crx拖放到这里页面，点击“添加到扩展”完成安装。如图：

　　

　　4.gif

　　2、 安装完成后，顶部工具栏会显示 Web Scraper 图标。

　　

　　3.png

　　初识网络爬虫开启网络爬虫

　　开发者可以路过看看后面

　　windows系统下可以使用快捷键F12，部分笔记本机型需要按Fn+F12；

　　Mac系统下可以使用快捷键command+option+i；

　　也可以直接在Chrome界面操作，点击设置—>更多工具—>开发者工具

　　

　　5.png

　　打开后的效果如下，绿框部分是开发者工具的完整界面，红框部分是Web Scraper区域，是我们后面要操作的部分。

　　

　　6.png

　　注意：如果在浏览器右侧区域打开开发者工具，需要将开发者工具的位置调整到浏览器底部。

　　

　　7.gif

　　原理及功能说明

　　数据爬取的思路大致可以概括如下：

　　1、通过一个或多个入口地址获取初始数据。比如文章列表页面，或者有一定规则的页面，比如带分页的列表页面；

　　2、根据入口页面的一些信息，比如链接点，进入下一页获取必要的信息；

　　3、根据上一层的链接继续下一层，获取必要的信息（这一步可以无限循环）；

　　原理大致相同。接下来，让我们正式认识一下Web Scraper工具。来吧，打开开发者工具，点击Web Scraper标签，看到分为三部分：

　　

　　8.png

　　新建站点地图：首先了解站点地图，字面意思是网站Map，这里可以理解为入口地址，可以理解为对应一个网站，对应一个需求，假设你想得到一个问题在知乎上回答，创建一个站点地图，并将这个问题的地址设置为站点地图的起始地址，然后点击“创建站点地图”来创建站点地图。

　　

　　9.png

　　站点地图：站点地图的集合。所有创建的站点地图都会显示在这里，可以在此处输入站点地图进行修改、数据抓取等操作。

　　

　　10.png

　　站点地图：进入某个站点地图，可以进行一系列的操作，如下图：

　　

　　11.png

　　在红框中添加新的选择器是必不可少的一步。什么是选择器，字面意思是：选择器，一个选择器对应网页的一部分，也就是收录我们要采集的数据的部分。

　　我需要解释一下。一个站点地图下可以有多个选择器，每个选择器可以收录子选择器。一个选择器可以只对应一个标题，也可以对应整个区域。该区域可能收录标题、副标题和作者信息、内容等。

　　选择器：查看所有选择器。

　　选择器图：查看当前站点地图的拓扑*敏*感*词*，根节点是什么，几个选择器，选择器下收录的子选择器。

　　编辑元数据：您可以修改站点地图信息、标题和起始地址。

　　Scrape：开始数据抓取。

　　Export data as CSV：以CSV格式导出捕获的数据。

　　至此，有一个简单的了解就足够了。真知灼见，具体操作案例令人信服。下面举几个例子来说明具体的用法。

　　案例实践简单试水hao123

　　从简单到深入，我们以一个简单的例子作为入口，作为对Web Scraper服务的进一步了解

　　需求背景：见下hao123页面红框部分。我们的要求是统计这部分区域的所有网站名称和链接地址，最后在Excel中生成。因为这部分内容已经足够简单了，当然实际需求可能比这更复杂，而且人工统计这么几条数据的时间也很快。

　　

　　12.png

　　开始

　　1、假设我们已经打开了hao123页面，在这个页面底部打开了开发者工具，并找到了Web Scraper标签栏；

　　2、点击“创建站点地图”；

　　

　　13.png

　　3、后输入sitemap名称和start url，名称只是为了我们标记，所以命名为hao123（注意不支持中文），start url为hao123的url，然后点击create sitemap；

　　

　　14.png

　　4、Web Scraper 自动定位到这个站点地图后，接下来我们添加一个选择器，点击“添加新的选择器”；

　　

　　15.png

　　5、 首先给这个选择器分配一个id，它只是一个容易识别的名字。我把它命名为热这里。因为要获取名称和链接，所以将类型设置为链接。这种类型是专门为网页链接准备的。选择Link type后，会自动提取name和link这两个属性；

　　

　　16.png

　　6、然后点击选择，然后我们在网页上移动光标，我们会发现光标的颜色会发生变化，变成绿色，表示这是我们当前选择的区域。我们将光标定位在需求中提到的那一栏的某个链接上，比如第一条头条新闻，点击这里，这部分会变成红色，表示已经被选中，我们的目的是选中有多个，所以选中之后这个，继续选择第二个，我们会发现这一行的链接都变红了，没错，这就是我们想要的效果。然后点击“完成选择！” （数据预览是被选中元素的标识符，可以手动修改。元素由类和元素名称决定，如：div.p_name a）。最后别忘了勾选Multiple，即采集多条数据；

　　

　　17.png

　　7、 最后保存，保存选择器。单击元素预览可预览所选区域，单击数据预览可在浏览器中预览捕获的数据。后面的文本框里面的内容对于懂技术的同学来说是很清楚的。这是xpath。我们可以不用鼠标直接手写xpath；

　　完整的操作流程如下：

　　

　　18.gif

　　8、完成上一步后，就可以实际导出了。别着急，看看其他操作。 Sitemap hao123下的Selector图可以看到拓扑图。 _root 是根选择器。创建站点地图时，会自动出现一个_root节点，可以看到它的子选择器，也就是我们创建的热选择器；

　　

　　19.png

　　9、Scrape，开始抓取数据。

　　在10、Sitemap hao123下浏览，可以直接通过浏览器查看爬取的最终结果，需要重新；

　　

　　20.png

　　11、最后使用Export data as CSV导出为CSV格式，其中hot列为标题，hot-href列为链接；

　　

　　21.png

　　怎么样，现在试试

　　获取知乎questions 的所有答案

　　简单介绍完毕。接下来，尝试一个有点难度的，抓取知乎问题的所有答案，包括回答者的昵称，批准数，以及答案的内容。问：为什么炫富的程序员这么少？

　　知乎的特点是只有向下滚动页面才会加载下一个答案

　　1、首先在Chrome中打开此链接，链接地址为：，并调出开发者工具，定位到Web Scraper标签栏；

　　2、新建站点地图，填写站点地图名称和起始网址；

　　

　　22.png

　　3、下一步，开始添加选择器，点击添加新选择器；

　　4、我们先来分析一下知乎问题的结构。如图，一个问题由多个这样的区域组成，一个区域就是一个答案。这个回答区包括昵称、批准号、回答内容和发布。时间等等。红色框起来的部分就是我们要抓取的内容。所以我们抓取数据的逻辑是这样的：从入口页面进入，获取当前页面已经加载的答案，找到一个答案区域，提取昵称，批准数，以及里面的答案内容，然后依次执行。当加载区域获取完成后，模拟鼠标向下滚动，加载后续部分，循环直到全部加载完成；

　　

　　23.png

　　5、内容结构拓扑图如下，_root的根节点收录若干个回答区域，每个区域收录昵称、审批号、回答内容；

　　

　　24.png

　　6、 根据上面的拓扑图，开始创建选择器，选择器id填写为answer（随意填写），Type选择Element向下滚动。说明：Element是针对这种大面积的区域，这个区域也收录子元素，答案区域对应Element，因为我们需要从这个区域获取我们需要的数据，Element向下滚动表示这个区域是向下使用。滚动方式可以加载更多，专为这种下拉加载而设计。

　　

　　25.png

　　7、 接下来，单击选择，然后将鼠标移动到页面上。当绿色框包围答案区域时，单击鼠标，然后移动到下一个答案。同样，当绿色框收录答案区域时，单击鼠标。这时，除了这两个答案，所有的答案区域都变成了红色的方框，然后点击“完成选择！”。最后别忘了选择Multiple，稍后保存；

　　

　　26.gif

　　8、下一步，点击红色区域进入刚刚创建的答案选择器，创建子选择器；

　　

　　27.png

　　9、 创建昵称选择器，设置id为name，Type为Text，Select选择昵称部分。如果您没有经验，第一次可能不会选择正确的名称。如果您发现错误，您可以对其进行调整并保存。 ;

　　

　　28.gif

　　10、创建一个批准号选择器；

　　

　　29.gif

　　11、创建一个内容选择器。由于内容格式化并且很长，所以有一个技巧。选择以下更方便；

　　

　　30.gif

　　12、 执行刮取操作。由于内容较多，可能需要几分钟。如果是测试用的，可以找一个答案少的问题来测试。

　　

　　31.png