《各平台数据采集及方法》课件——公众号文章信息采集.pptxVIP

《各平台数据采集及方法》课件——公众号文章信息采集.pptx

此“教育”领域文档为创作者个人分享资料,不作为权威性指导和指引,仅供参考
  1. 1、本文档共15页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

公众号文章信息采集

公众号文章信息的采集本实例主要采集公众号内的所有文章信息,如图所示。通过有哪些信誉好的足球投注网站“读悦文摘”公众号,采集公众号内的所有文章,要求使用提取数据的“自定义数据合并方式”保留文章格式,文章图片位置转化为图片链接保存,并且在链接前加“img”标签,后加“/img”标签。采集字段为文章标题、文章正文、采集时间及页面网址。

步骤1:新建自定义采集任务输入公众号名称。单击网页界面中的输入框,在“操作提示”面板中单击“输入文字”选项,输入公众号名称“读悦文摘”,单击“确定”按钮。步骤2:输入实例网址并保存网址步骤3公众号文章信息的采集

步骤4单击搜公众号。单击网页界面中的“搜公众号”按钮,在“操作提示”面板中单击“点击该按钮”选项。公众号文章信息的采集步骤5单击进入公众号。单击网页界面中的“读悦文摘”公众号标题,并在“操作提示”面板中单击“点击该元素”选项。

步骤6循环单击商品标题。连续单击两个文章标题,八爪鱼采集器会选中所有标题,在“操作提示”面板中单击“循环点击每个元素”选项。公众号文章信息的采集

步骤7提取标题。单击网页界面中的文章标题,在“操作提示”面板中单击“采集该元素的文本”选项,修改字段名称为“文章标题”,单击“确定”按钮。公众号文章信息的采集

步骤8建立文章内容循环。为了保留文章原格式,需要对文章每一段内容单独提取,然后追加至一个字段内容。从流程图左侧的工具栏中拖动一个循环放入指定位置,选中“不固定元素列表”单选项,如图所示。在下方的“不固定元素列表”文本框中输入对应XPath来匹配文章的每一段内容。本实例的XPath为“//div[@class=rich_media_content]//p”。公众号文章信息的采集

步骤9判断每段内容是否为图片。数据采集需要将文章内的图片保存为链接,可使用判断条件来判断每段内容是否为图片。添加判断条件如图所示。从流程图左侧的工具栏中拖动判断条件放入指定位置,在左侧的条件分支中选择当前循环项包含元素,然后在“元素XPath”文本框中输入“//img”,单击“确定”按钮进行保存。公众号文章信息的采集

步骤10配置图片提取数据。图片的提取内容为图片链接,并且需要进行字段内容的格式化,添加前缀“img”和后缀“/img”。单击文章内的任一图片,在“操作提示”面板中单击“采集该图片地址”选项,如上图所示。将“提取数据”模块拖动至左侧的条件分支中,并修改“字段名称”为文章内容,在“高级选项”区域中设置“使用循环”,这里选中“采集当前循环中设置的元素”复选框,如下图所示。公众号文章信息的采集

步骤10要修改“提取数据”模块的自定义元素方式,首先选中文章内容字段,待字段变蓝后单击下方的“自定义数据字段”按钮,然后选择“自定义定位元素方式”选项,在打开的界面中选中“相对XPath”复选框,在右侧的文本框中输入“//img”,最后单击“确定”按钮进行保存,如上图所示。单击“自定义数据字段”按钮,选择“格式化数据”选项,在打开的界面中单击“添加步骤”按钮,选择“添加前缀”选项,输入前缀内容“img”后单击“确定”按钮,如下图所示。添加后缀的方法和添加前缀的方法类似,选择“添加后缀”选项,输入后缀内容“/img”。公众号文章信息的采集

步骤11正文文本采集。单击文字部分进行提取,拖动“提取数据”模块至右侧的分支条件中,无须修改分支内容,修改“字段名称”为“文章内容”,在弹出的提示框中询问已存在同名字段是否继续进行命名操作,单击“是”按钮,选中“采集当前循环中设置的元素”复选框。选中文章内容字段,待字段变蓝后单击“自定义数据字段”按钮,然后选择“自定义定位元素方式”选项,在打开的界面中选中“相对XPath”复选框。公众号文章信息的采集

步骤12修改自定义数据合并方式。分别单击两侧“提取数据”模块中的文章内容字段,单击下方的“自定义数据字段”按钮,选择“自定义数据合并方式”选项,然后选中“同一字段多次提取合并为一行,即追加到同一字段。例如正文页合并。”单选项,单击“确定”按钮。公众号文章信息的采集

步骤13启动本地采集。单击“开始采集”按钮,单击“启动本地采集”按钮。公众号文章信息的采集步骤14导出数据。采集完成后,单击“导出数据”按钮,然后选择导出方式导出数据。

资料来源:[1]刘宝强,商务数据采集与处理.北京:人民邮电出版社,2019

谢谢观看Thanksforwatching

文档评论(0)

青柠职教 + 关注
实名认证
服务提供商

从业10年,专注职业教育专业建设,实训室建设等。

1亿VIP精品文档

相关文档