【場景描述】采集天堂圖片網上的所有的分類圖片數據。
【源網站介紹】
天堂圖片網是一個提供豐富圖片設計素材為的網站,網站內提供了清晰的圖片分類,范圍涵蓋人物、動物、植物、商務、生活、家居、體育、交通、廣告等素材圖片。
【使用工具】前嗅ForeSpider數據采集系統,點擊下方鏈接可免費下載
http://www.bendalayoga.com/view/forespider/view/download.html
【入口網址】https://www.ivsky.com/tupian/fengjing_t2333/
【采集內容】
采集天堂圖片網所有分類圖片名稱和圖片。
【采集效果】如下圖所示:
l 思路分析
配置思路概覽:
l 配置步驟
1. 新建采集任務
選擇【采集配置】,點擊任務列表右上方【+】號可新建采集任務,將采集入口地址填寫在【采集地址】框中,【任務名稱】自定義即可,點擊下一步。
2.獲取分類列表鏈接
①點擊采集預覽,觀察該頁面鏈接,發現分類鏈接的規律為:https://www.ivsky.com/tupian/字符串
②使用地址過濾的方法,將分類鏈接過濾出來。
\c表示小寫字母的字符串,所以設置地址過濾包含:https://www.ivsky.com/tupian/\c/
3.獲取翻頁&列表鏈接
①新建模板02,后在其下新建一個鏈接抽取,可修改名稱為翻頁鏈接。
②將模板01中的鏈接抽取,關聯到模板02中。
③采集預覽,觀察翻頁鏈接中均包含:
https://www.ivsky.com/tupian/字母串/index
④如下所示設置過濾翻頁地址。其中\c表是一串小寫字母串
⑤翻頁鏈接關聯自身模板,在此進行如下設置。
⑥新建一個鏈接抽取,改名為抽取圖片列表鏈接。
采集預覽,打開圖片列表鏈接預覽界面,觀察圖片列表鏈接規律發現其規律為:
https://www.ivsky.com/tupian/一串小寫字母_一串小寫字母_v一串數字/
⑦其規律可表示為:https://www.ivsky.com/tupian/\c_\c_v\d/
\c:表示一個小寫
4.抽取圖片列表鏈接
①新建模板03,在該模板下新建一個數據抽取。
關聯數據表
②采集預覽,打開新建列表鏈接預覽界面,觀察圖片列表鏈接規律發現其規律為:
https://www.ivsky.com/tupian/一串字母_一串字母_v一串數字/pic_一串數字.html
③以上規律可表示為:https://www.ivsky.com/tupian/\c_\c_v\d/pic_\d.html,如下圖所示進行地址過濾。
5.數據抽取
①新建模板04,在其下新建一個數據抽取鏈接。
②將模板03的鏈接抽取關聯至模板04,。
③新建一個數據表單,具體步驟和字段屬性如下所示:
④關聯表單
⑤采集預覽,選擇任意一條圖片頁鏈接,在瀏覽器中打開。
⑥在頁面空白處,右鍵選中查看源文件。
⑦發現下圖所示位置的鏈接即為該圖片的鏈接,點擊即進入圖片頁
⑧編寫腳本抽取圖片數據,具體操作如下:
具體腳本文本如下:
var st= DOM.GetSource().ToStr();//獲取頁面源碼,并轉化為字符串格式 var b="https:"+st.Middle("\"imgis\" src='","'");//取源碼中圖片鏈接 var doc = EXTRACT.OpenDoc(CHANN, b, "");//打開圖片鏈接 var pic=doc.GetDom().GetSource( b);//取圖片鏈接頁面的源碼,即圖片 record re;//定義一個返回 re.tit=st.Middle("arctitle='","'");//取頁面源碼中的圖片名稱,并返回 re.ex=".jpg";//定義ex為jpg re.pic=pic;//返回圖片 RESULT.AddRec(re,this.schemaid);//結束
⑨采集預覽,雙擊進入最后數據頁,下圖所示已經采集到圖片了。
l 采集步驟
模板配置完成,采集預覽沒有問題后,可以進行數據采集。
①首先要建立采集數據表:
選擇【數據建表】,點擊【表單列表】中該模板的表單,在【關聯數據表】中選擇【創建】,表名稱自定義,這里命名為【tiantang】(注意命名不能用數字和特殊符號),點擊【確定】。創建完成,勾選數據表,并點擊右上角保存按鈕。
②選擇【數據采集】,勾選任務名稱,點擊【開始采集】,則正式開始采集。
③采集及導出數據如下所示:
*本教程僅供學習交流,嚴禁用于商業用途!