RuiJi Scraper基础 – RuiJi表达式模型

Posted 2021-01-17 zhupingqi

前言

RuiJi Scraper是一款可视化的浏览器爬虫扩展，是一款适合金融、新闻编辑、新媒体人员、个人站点、爬虫工作者数据采集工具。

RuiJi表达式是RuiJi Scraper的抽取模型，同时也是RuiJi.Net开源爬虫框架的抽取模型，RuiJi.Net是github上的开源项目，贡献者同时也是RuiJi Scraper的作者。

RuiJi表达式是大量的爬虫工作中总结出的经验，基本上可以适用于所有需抓取的网页。

RuiJi Scraper目前仅在firefox中上线，地址为 https://addons.mozilla.org/zh-CN/firefox/addon/ruiji-scraper/

数据块 Block

在网页设计时，网页设计者往往会使用样式，ID等来区分网页的区域，不同的区域显示不同的内容，这不仅在网页设计上是大多设计者共同使用的习惯，同时也利用该种方式，在最终产品上形成视觉可识别的区域，使使用者能过快速的定位自己关心的内容。

Block是我们需要提取的区域，在一个页面中这种区域可能存在多个。我们以google的RuiJi Scraper搜索结果为例来说明一下Block。

从图中我们可以看出，google的页面搜索结果(all)大致分为三部分，视频搜索结果，图片搜索结果，网页搜索结果。这三种搜索结果以不同的形式展示给搜索用户，视频和图片的搜索结果为横向，网页的搜索结果为纵向，三种搜索结果的数据都有各自的展示形式。视频搜索结果横向，具有视频预览，时长，标题，作者，来源，上传时间。图片搜索结果横向，主要展示形式为图片。网页搜索结果纵向，具有标题，网址，摘要。我们可能对其中的一部分或全部内容感兴趣。

Block用来定位我们感兴趣的需要提取的区域。

在Block未被定义的情况下，RuiJi表达式默认将Body作为Block

数据片 Tile

正如上面所述，每个Block可能都具有各自的展示形式（也可能相同），但是每个Block中的内容的体现形式是一样的，在网页开发中，开发者往往使用循环的方式，将需要展示的数据以相同子元素的形式展示在页面中。我们同样以google的RuiJi Scraper搜索结果其中的网页搜索结果为例，如下图所示:

如果我们忽略Tile中的内容的话，您将发现Block中是以相同子元素进行循环来向用户展示数据。

Tile被用来定义Block中重复的子元素

元数据 Meta

元数据是我们真正要提取的数据，我们将这些数据抓取下来，保存到文档或数据库，以备后续使用。RuiJi Scraper会将提取出的数据按照所属Tile,Block进行分组，并将抽取结果转换为结构化的数据。下图展示的是一个数据片的搜索结果形式。这里具有标题，链接和摘要。Meta用来描述我们在这个数据片中感兴趣的数据。这里元数据的数量根据您的需要进行定义。

Meta用来描述我们在这个数据片中感兴趣的数据