• QQ空间
  • 收藏

网页数据抓取工具:新媒体运营快速上手爬虫工具WebScraper实用教程!

| 2020-09-06

做新媒体运营,很多时候会需要用到数据来帮助工作,比如你新进到一家公司做新媒体内容编辑,那你需要盘点公司已有的内容资产,避免重复生产内容。这时候就需要把网页上的数据给扒下来,放在一起,才会一目了然。

从网页上扒数据,最好用的方法当然是爬虫工具啦。很多人都以为爬虫很难学吧?我一开始也这么认为的,直到我遇到了 Web Scraper 这个运营工具,才知道原来爬网页数据也可以这么简单。

下面,我就现身说法,讲解一个小白是怎么快速上手 Web Scraper 的。

步骤一:下载 Web Scraper

Web Scraper 是 Chrome 浏览器上的一个插件,你需要翻墙进入 Chrome 应用商店,下载 Web Scraper 插件。

步骤二:打开 Web Scraper

先打开一个你想爬数据的网页,比如我想爬今日头条上「吴晓波频道」这个账户的文章标题、时间、评论数,那我就先打开它,再一一进行操作。

然后用快捷键 Ctrl + Shift + I / F12 打开 Web Scraper。

步骤三:新建一个 Sitemap

点击 Create New Sitemap,里面有两个选项,import sitemap是指导入一个现成的 sitemap,咱小白一般没有现成的,所以一般不选这个,选create sitemap 就好。然后进行这两个操作:

Sitemap Name:代表你这个 Sitemap 是适用于哪一个网页的,所以你可以根据网页来自命名,不过需要使用英文字母,比如我抓的是今日头条的数据,那我就用 toutiao 来命名; Sitemap URL:把网页链接复制到 Star URL 这一栏,比如图片里我把「吴晓波频道」的主页链接复制到了这一栏。

步骤四:设置这个 Sitemap

整个 Web Scraper 的抓取逻辑是这样:设置一级 Selector,选定抓取范围;在一级 Selector 下设置二级 Selector,选定抓取字段,然后抓取。

咱们换个接地气的例子,假如你要获取福建人的姓名、性别和年龄这三个要素,那么你得这么做:首先要定位到福建省,然后再在福建省里面去定位姓名、性别、年龄。

在这里,一级 Selector 表示你要在中国这个大的国家圈出福建省,二级Selector 表示你要在福建省的人口中圈定姓名、性别、年龄这三个要素。

对于文章而言,一级 Selector 就是你要把这一块文章的要素圈出来,这个要素可能包含了 标题、作者、发布时间、评论数等等,然后我们再在二级 Selector 中挑出我们要的要素,比如标题、作者、阅读数。

下面我们来拆解这个设置一级、二级 Selector 的工作流:

1. 点击 Add new selector 创建一级 Selector,按照以下步骤操作:

输入id:id 代表你抓取的整个范围,比如这里是文章,我们可以命名为 wuxiaobo-articles; 选择Type:type 代表你抓取的这部分的类型,比如元素/文本/链接,因为这个是整个文章要素范围选取,我们需要用 Element 来先整体选取(如果这个网页需要滑动加载更多,那就选 Element Scroll Down); 勾选Multiple:勾选 Multiple 前面的小框,因为你要选的是多个元素而不是单个元素,当我们勾选的时候,爬虫插件会帮助我们识别多篇同类的文章; 保留设置:其余未提及部分保留默认设置。

2. 点击 select 选择范围,按照以下步骤操作:

选择范围:用鼠标选择你要爬取数据的范围,绿色是待选区域,用鼠标点击后变为红色,才是选中了这块区域; 多选:不要只选一个,下面的也要选,否则爬出来的数据也只有一行; 完成选择: 记得点 Done Selecting; 保存:点击 Save Selector。

3. 设置好了这个一级的 Selector 之后,点进去设置二级的 Selector,按照以下步骤操作:

新建Selector:点击 Add new selector ; 输入id:id 代表你抓取的是哪个字段,所以可以取该字段的英文,比如我要选「作者」,我就写「writer」; 选择Type:选 Text,因为你要抓取的是文本; 勿勾选Multiple:不要勾选 Multiple 前面的小框,因为我们在这里要抓取的是单个元素; 保留设置:其余未提及部分保留默认设置。

4. 点击 select,再点击你要爬取的字段,按照以下步骤操作:

选择字段:这里爬取的字段是单个的,用鼠标点击该字段即可选定,比如要爬标题,那就用鼠标点击某篇文章的标题,当字段所在区域变红即为选中; 完成选择:记得点 Done Selecting; 保存:点击 Save Selector。

5. 重复以上操作,直到选完你想爬的字段。

步骤五:爬取数据

之所以说 Web Scraper 是傻瓜式爬虫工具,就是因为只需要设置完所有的 Selector,就可以开始爬数据了,怎么样,是不是简单?

那么怎么开始爬数据呢?只需要一个简单的操作:点击 Scrape,然后点Start Scraping,会弹出一个小窗,然后辛勤的小爬虫就开始工作了。你会得到一个列表,上面有你想要的所有数据。

如果你希望把这些数据做一个排序,比如按照阅读量、赞数、作者等指标排序,让数据更一目了然,那么你可以点击 Export Data as CSV,把它导入 Excel 表里。

导入 Excel 表格之后,你就可以对数据进行筛选了。

以上就是快速上手 Web Scraper 的所有操作过程,连我这种懒癌 + 手残都能在 5 分钟之内搞定,相信你也可以指哪儿爬哪儿,完全 OK 的啦。

作者:BPteach

2020-09-25
站长 北大人民医院通州院区年内完工
通州潞河医院新门诊楼。 唐建 摄   北京市第五幼儿园城市副中心园、黄城根小学将于2019年竣工并投入使用   随着通州迈向城市副中心时代,更多优质公共服务资源... <详情>
2020-09-25
站长 2018年安置8.2万名军转干部 40多万名退役士兵
  退役军人事务部办公厅主任、新闻发言人王志明    央视网消息:1月23日,国务院新闻办举行新闻发布会,退役军人事务部办公厅主任、新闻发言人王志明等介绍退役... <详情>
2020-09-25
站长 三部门:非猪瘟疫情地区腊肉腊肠封装完好可正常携带
  央广网北京月4日消息(记者蒋勇)据经济之声《天下财经》报道,对于南方人尤其是湖南、湖北、四川、重庆等地居民来说,腊肉、腊肠是春节必备的美味。而过完春节后,带... <详情>
2020-09-25
站长 宁夏全力防范打击电信网络诈骗
  我区全力防范打击电信网络诈骗   上半年为群众挽回经济损失360余万元   7月25日,记者从自治区通信管理局获悉,今年上半年,通信信息诈骗行为在我区仍... <详情>
2020-09-25
站长 2019年“镜头中的脱贫故事”主题网评引导活动即将走进西藏拉萨市
  央视网消息:在喜迎中华人民共和国成立70周年之际,由中央网信办网络评论工作局协同国务院扶贫办政策法规司主办,中央广播电视总台社会与法频道承办,部分中央重点新... <详情>
2020-09-19
站长 北京将办31件重要民生实事 含新增幼儿园学位3万个
新京报讯 (记者 李玉坤 沙雪良)开通3条轨道线路、建设筹集租赁住房5万套(间)、老楼加装电梯完成200部以上……这些都是北京今年将要完成的... <详情>