前嗅ForeSpider教程：采集网页链接/源码/时间/重定向地址等

Posted 2021-02-06

第一步：新建任务
①点击左上角“加号”新建任务，如图1：

【图1】
②弹窗里填写采集地址，任务名称，如图2：

【图2】
③ 点击下一步，勾选抽取链接，选择网页内所有链接，如图3：

【图3】
④完成后模板抽取配置列表有一个模板，默认模板。默认模板下自动生成一个链接抽取，名称为网页全部链接，如4：

【图4】
第二步：创建新的模板，并新建数据抽取
①模板配置，点击“新建模板”按钮，得到新建模板，如图5。

【图5】
②新建数据抽取。直接点击模板二，点击上面“新建数据抽取”按钮，得到数据抽取，如图6。

【图6】
③关联模板
在软件中模板的关联关系，与网页中链接跳转的关系相同。
根据网页跳转规律，将“网页全部链接”关联模板“新建模板02”，如图7：

【图7】
第三步：创建/选择表单
①在ForeSpider爬虫中，表单是可以复用的，所以可以在数据表单出直接选择之前建过的表单，也可以通过表单ID来进行查找并关联数据表单。此处使用的方法三，如图8。
方法一：通过下拉菜单或表单ID选择已有表单
方法二：点击创建表单进入快速建表页面，新建表单
方法三：点击“采集配置”-“数据建表”，点击采“采集表单”后面的如图8。

【图8】
②配置表单
根据所需内容，配置表单字段（即表头），此处配置了包括网页主键、网页创建时间、网页获取时间、网页地址、全区内网页源码（包含当前标签）、选取内全部文本、选取内网页源码以及网页标题八个字段，表单如图9。

【图9】
以下字段为软件自带字段类型，无需确定选取取值。
网页主键：网页唯一标识。
网页创建时间：文档创建或网页发布的时间。
网页获取时间：ForeSpider采集该网页的时间。
网页地址：自动采集网页的URL地址。
选区内网页源码（包含当前标签）：采集选区内全部源代码，包含当前节点标签等，即整个选区的源代码。
选区内全部文本：最常用的类型。点击Ctrl选择绿框后，采集选区里的全部内容
选区内网页源码：采集选区内全部源代码，不包含当前节点标签等。
网页标题：采集网页的标题。即网页<title>中的内容。
③ 数据抽取链接处关联表单，如图10。

【图10】
第四步：采集预览
①点击击右上角采集预览,如图11。

【图11】
②双击任意一条链接，看看是否可以得到和网页对应的规整的数据，如图12、图13。

【图12】

【图13】