网页表格数据采集器.doc

网页表格数据采集器 篇一：网站采集器如何实现网站数据采集 网站采集器如何实现网站数据采集 ? 入门篇 网站采集，就是从网站页面中抽取指定的数据，人工方式就是打开网页然后开始Ctrl+C Ctrl+V的进行拷贝粘贴。人工方式采集数据最为准确，但效率最低。所以，期望计算机可以自动化的将人工操作执行，完成数据采集的工作。 计算机将人工 的Ctrl+C Ctrl+V自动化执行，需要一定的指导操作，譬如：计算机需要打开那个页面，拷贝哪些信息，将拷贝的信息又要粘贴到哪里？这些都是人工操作时必须制定的操作，转化到计算机，也必须知道计算机这样来进行。 所以，需要配置一些规则来指导计算机的操作，这个规则的组合在网络矿工中我们称之为“采集任务”。通过上面的描述，我们知道采集任务中至少要包括网页地址、网页的拷贝数据的规则。 网页的地址很容易理解，每次我们打开一个网站时，首先都是要输入一个地址，这个地址称之为“Url”，输入Url后，我们就可以浏览一个页面了。 拷贝数据的规则：人工拷贝数据很简单，人工智能么，很容易识别需要采集的数据，但对于计算机，就会有些难度，计算机不知道想要采集什么数据？必须由人工告诉计算机采集数据的规则，譬如：我们需要采集文章标题，那么就需要告诉计算机如何在一个网页中识别文章标题，并准确的采集下来。在这个指导的过程中，有两种方式计算机可以理解（当然不排除还有其他的方式，譬如：计算机智能化）： 1、 按照字符串获取的规则来指导计算机采集数据：一个网页是由浏览器对一个大字符 串进行解析后展示的结果，这个大字符串就是网页源码，任何浏览器都可查看网页源码，打开网页源码后，在网页源码中通常（注意：是通常）都可以找到网页显示的内容，自然文章标题也可以找到，找到文章标题后，告诉计算机要采集这个标题数据，规则就是：从哪个字符开始获取到那个字符结束，举个简单例子：“lt;h1今天的天气很好啊lt;/h1”这样一个字符串，我们要获取“今天的天气很好啊”，就是告诉计算机从“lt;h1”后面开始获取到“lt;/h1”结束，将中间的字符采集下来，计算机就会对这个字符串进行识别，并按照定制的规则将所需要的数据获取。采集数据，就是要配置这样的规则来指导计算机将网页数据逐一采集下来； 2、 还有第二种方式来指导计算机采集数据：通常（注意：又是通常）情况网页的源码 是一个XML文档。XML 定义：用于标记电子文件使其具有结构性的标记语言，可以用来标记数据、定义数据类型，是一种允许用户对自己的标记语言进行定义的源语言（摘自：百度百科）。这我们就知道了，网页源码是一个结构化的、具有标记识别的一种文档。这样，我们就可以通过一种方式来标记我们需要采集的数据，让计算机自动寻找并获取数据，这种方式也就是我们常见的可视化采集。可视化采集的核心是XPath信息，XPath是XML路径语言（XML Path Language），它是一种用来确定XML文档中某部分位置的语言。用XPath来制定文档某个位置的数据，让计算机来采集，这样也实现了我们指导计算机采集数据的需求； 综上所述，我们也就可以理解网络采集器是如何采集数据的了。不过上面所讲，只是一个入门，因为我们只是在很常见常见的情况，指导计算机完成了一个页面数据的采集，这与我们实际的应用差距还很大，譬如：成批采集数据。后面我们还会逐步是深入进行讲解。 ? 中级篇 前面已经所讲，我们已经指导计算机完成了一个网页数据的采集，但对于我们实际需要来讲，我们肯定不止采集一个页面，而是要采集N多页面，对于N多个页面而言，使用计算机自动执行才有意义。 对于N多个网页，我们不可能一个一个的去把Url告诉计算机，比如我们要采集上万个网页，难道要输入上万个Url，这也太不现实了。所以，我们只能找到这N多个网页的规则，用一种规则来让计算机自动解析完成N多个网页的构成。这种解析可以由集中方式： 1、 按照一个可识别的规则解析，譬如：数字递增，字母递增或日期递增，举个例子： /article.aspx?id=1001，这是一个文章的Url，比较容易理解，id是url提交的参数，1001是一个参数值，代表一篇文章，那么我们就可以通过数字递增的形式来替代它，/article.aspx?id= {Num:1001,1999,1} ，这样就完成了998篇文章url的构成，系统会自动将url解析出来，{Num:1001,1999,1}是一个数字递增的参数，从1001开始递增，每次递增加1，直至1999结束。在网络矿工中提供了很多这样的参数来帮助用户完成N多url的构成； 2、 有些Url并不一定可以通过一定可识别的规则来构成，那该如何？譬如： /s.aspx?area=北京，这是一个带入了地区参数的Url，全国有众多的城市，总