今日头条文章采集软件(今日头条：加载显示的url规则匹配，分析篇源码)

　　今日头条文章采集软件(今日头条：加载显示的url规则匹配，分析篇源码)

　　今天的头条数据由Ajax加载并显示。按照正常的URL，是抓不到数据的。需要分析加载地址。我们以%E6%96%B0%E9%97%BB为例。采集文章的列表

　　用谷歌浏览器打开链接，右键“评论”，在控制台切换到网络，点击XHR，这样就可以过滤图片、文件等不需要的请求，只看页面内容请求

　　由于页面是ajax加载的，把页面拉到底部，会自动加载更多文章。这时候控制台抓取到的链接就是我们真正需要的列表页面的链接：

　　... amp;from=search_tab

　　在优采云采集器中创建任务

　　创建完成后点击“采集设置”，在“起始页网址”填写上面爬取的链接

　　接下来，匹配内容页面 URL。标题中的文章 URL 格式为数字/

　　单击“内容页面 URL”以编写“匹配内容 URL”规则：

　　(?\d+/)

　　这是一个常规规则，表示匹配的URL加载到捕获组content1中，然后在下面填写[Content 1]，对应上面的content1获取内容页面链接

　　可以点击测试查看链接是否爬取成功

　　获取成功后，就可以开始获取内容了

　　点击“获取内容”在字段列表右侧添加默认字段，如标题、正文等可智能识别，如需精确可自行编辑字段，支持regular、xpath、 json 等匹配内容

　　我们需要获取 文章 的标题和正文。既然是Ajax显示，我们就需要写规则来匹配内容。分析文章源码：，找到文章的位置

　　标题规则： articleInfo\s*:\s*{\s*title:\s*'[Content1]',

　　正文规则：content\s*:\s*'[content1]',\s*groupId

　　规则必须是唯一的，否则会匹配到其他内容。将规则添加到字段中，并为获取方式选择规则匹配：

　　规则写好后，点击保存，点击“测试”看看效果如何

　　规则正确，爬行正常。捕获的数据也可以发布到cms系统，直接存入数据库，保存为excel文件等，只需点击底部导航栏中的“发布设置”即可。采集 就到这里了，你不妨试试看！