后羿采集器——最良心的爬虫软件

Posted 2021-12-06 卖山楂啦prss

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了后羿采集器——最良心的爬虫软件相关的知识，希望对你有一定的参考价值。

2020 年如果让我推荐一款大众向的数据采集软件，那一定是后裔采集器了。和我之前推荐的 web scraper 相比，如果说 web scraper 是小而精的瑞士军刀，那后裔采集器就是大而全的重型武器，基本上可以解决所有的数据爬取问题。

下面我们就来聊聊，这款软件的优秀之处。

一、产品特点

1.跨平台

后羿采集器是一款桌面应用软件，支持三大操作系统：Linux、Windows 和 Mac，可以直接在官网上免费下载。

2.功能强大

后羿采集器把采集工作分为两种类型：智能模式和流程图模式。

智能模式就是加载网页后，软件自动分析网页结构，智能识别网页内容，简化操作流程。这种模式比较适合简单的网页，经过我的测试，识别准确率还是挺高的。

流程图模式的本质就是图形化编程。我们可以利用后裔采集器提供的各种控件，模拟编程语言中的各种条件控制语句，从而模拟真人浏览网页的各种行为爬取数据。

3.导出无限制

这个可以说是后羿采集器最良心的功能了。

市面上有很多的数据采集软件，出于商业化的目的，多多少少会对数据导出进行限制。不清楚套路的人经常用相关软件辛辛苦苦采集了一堆数据，结果发现导出数据需要花钱。

后羿采集器就没有这个问题，它的付费点主要是体现在 IP 池和采集加速等高级功能上，不但导出数据不花钱，还支持 Excel、CSV、TXT、html 多种导出格式，并且支持直接导出到数据库，对于普通的用户来说完全够用了。

4.教程详细

我在本文动笔之前曾经想过先写几篇后羿采集器的使用教程，但是看了他们的官网教程后就知道没这个必要了，因为写的实在是太详细了。

后羿采集器的官网提供了两种教程，一种是视频教程，每个视频五分钟左右；一种是图文教程，手把手教学。看完这两类教程后还可以看看他们的文档中心，写的也非常详细，基本覆盖了该软件的各个功能点。

二、基础功能

1.数据抓取

基本的数据抓取非常简单：我们只要点击「添加字段」那个按钮，就会出现一个选择魔棒，然后点选要抓取的数据，就能采集数据了：

2.翻页功能

我在介绍 web scraper 时曾把网页翻页分为 3 大类：滚动加载、分页器加载和点击下一页加载。

对于这三种基础翻页类型，后羿采集器也是完全支持的。

不像 web scraper 的分页功能散落在各种选择器上，后羿采集器的分页配置集中在一个地方上，只要通过下拉选择，就可以轻松配置分页模式。相关的配置教程可见官网教程：如何设置分页。

3.复杂表单

对于一些多项联动筛选的网页，后羿采集器也能很好的处理。我们可以利用后裔采集器里的流程图模式，去自定义一些交互规则。

例如下图，我就利用了流程图模式里的点击组件模拟点击筛选按钮，非常方便。

三、进阶使用

1.数据清洗

我在介绍 web scraper 时，说 web scraper 只提供了基础的正则匹配功能，可以在数据抓取时对数据进行初步的清洗。

相比之下，后羿采集器提供了更多的功能：强大的过滤配置，完整的正则功能和全面的文字处理配置。当然，功能强大的同时也带来了复杂度的提升，需要有更多的耐心去学习使用。

下面是官网上和数据清洗有关的教程，大家可以参考学习：

如何设置数据筛选讲解了基础的数据清洗功能，可以避免采集过程中的无效采集（例如采集某个微博博主的数据时，可以过滤第一条置顶微博的数据，只采集正常时间流的微博）
如何设置采集范围讲解了采集过程中过滤不需要的采集项，可以方便的自定义采集范围（例如采集豆瓣电影 TOP 250 时，只采集前 100 名的数据，而不是全量的 250 条数据）
如何对采集字段进行配置讲解了如何定制采集的最小字段，并且支持叠加处理，可以对一个字段使用多种匹配规则。（例如只想采集「1024 个赞」这条文本里的数字，就可以设置相应的规则过滤掉汉字）

2.流程图模式

本文前面也介绍过了，流程图模式的本质就是图形化编程。我们可以利用后裔采集器提供的各种控件，模拟编程语言中的各种条件控制语句，从而模拟真人浏览网页的各种行为爬取数据。

比如说下图这个流程图，就是模拟真人浏览微博时的行为去抓取相关数据。

经过我个人的几次测试，我认为流程图模式有一定的学习门槛，但是和从头学习 python 爬虫比起来，学习曲线还是缓和了不少。如果对流程图模式很感兴趣，可以去官网上学习，写的非常详细。

3.XPath/CSS/Regex

无论是什么爬虫软件，他们都是基于一定的规则去抓取数据的。XPath/CSS/Regex 就是几个常见的匹配规则。后羿采集器支持自定义这几种选择器，可以更灵活的选择要抓取的数据。

比如说某个网页里存在数据 A，但只有鼠标移到对应的文字上才会以弹窗的形式显示出来，这时候我们就可以自己写一个对应的选择器去筛选数据。

XPath

XPath 是一种在爬虫中运用非常广泛的数据查询语言。我们可以通过 XPath 教程去学习这个语言的运用。

CSS

这里的 CSS 特指的 CSS 选择器，我之前介绍 web scraper 的高级技巧时，讲解过 CSS 选择器的使用场景和注意事项。感兴趣的人可以看我写的 CSS 选择器教程。

Regex

Regex 就是正则表达式。我们也可以通过正则表达式去选择数据。我也写过一些正则表达式的教程。但是个人认为在字段选择器这个场景下，正则表达式没有 XPath 和 CSS 选择器好用。

4.定时抓取/IP 池/打码功能

这几个都是后羿采集器的付费功能，我没有开会员，所以也不知道使用体验怎么样。在此我做个小小的科普，给大家解释一下这几个名词是什么意思。

定时抓取

定时抓取非常好理解，就是到了某个固定的时间爬虫软件就会自动抓取数据。市面上有一些比价软件，背后就是运行着非常多的定时爬虫，每隔几分钟爬一下价格信息，以达到价格监控的目的。

IP 池

互联网上 90% 的流量都是爬虫贡献的，为了降低服务器的压力，互联网公司会有一些风控策略，里面就有一种是限制 IP 流量。比如说互联网公司后台检测到某个 IP 有大量的数据请求，超过了正常范围，就会暂时的封锁这个 IP，不返回相关数据。这时候爬虫软件就会自己维护一个 IP 池，用不同的 IP 发送请求，降低 IP 封锁的概率。

打码功能

这个功能就是内置了验证码识别器，可以实现机器打码 or 手动打码，也是绕过网站风控的一种方法。