前嗅ForeSpider教程：采集新浪新闻

Posted 2021-02-06

最近后台有很多童鞋问怎么采集新闻，今天小编以采集新浪新闻为例，来为大家进行演示，同样适用于其他新闻网站的采集，具体操作如下：

?

第一步：新建任务

①点击左上角“加号”新建任务，如图1：
?
②在弹窗里填写采集地址，任务名称，如图2：

③点击下一步，选择进行数据抽取还是链接抽取，本次采集当前列表页新闻的正文数据，正文数据是通过点击列表链接进入的，所以本次需要抽取列表链接，所以点击抽取链接，如图3：

第二步：通过定位过滤、地址过滤，得到所需链接

①按住Ctrl+鼠标左键，进行区域选择，按住Shift+鼠标左键，扩大选择区域，点击“确认选区”按钮，如图4：

②点击采集预览，在采集预览中有于目标链接相似的其他链接，可通过地址过滤得到列表链接。找到所需要的列表链接，观察得出所需要的目标链接都包含“sina.com.cn/+字符串”。使用过滤串“c”，右击复制链接，如图5所示。过滤串规则说明：c??表示一串（个）小写字母

③勾选地址过滤，过滤规则选择包含，填入“sina.com.cn/c”，得到列表链接，如图6所示。

④点击采集预览确认链接是否过滤完全，如图7：

第三步：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“链接列表”关联模板二“链接列表：02”，此处由于我们开始就选择了创建列表链接，所以软件自动关联好了模板二。如果配置的时候发现关联有问题，可以自己进行更改，如图8：

第四步：填写模板二示例地址并新建数据抽取

①?模板一过滤得到的任意一条链接，作为模板二的示例地址。如https://news.sina.com.cn/c/zj/2018-12-25/doc-ihqhqcis0255892.shtml， 见图9：

②新建数据抽取

方法一：通过点击“下一步”后勾选抽取数据，再次点击“下一步”得到数据抽取。

方法二：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，重命名为新浪新闻，如图10：

第五步：创建/选择表单

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。此处使用的是之前建过的新浪网的表单。

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，如图11所示：

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12：

第六步：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、网页标题、网页地址、网页创建时间、内容、发布来源6个字段，表单如图13：

第七步：字段取值

取值方法：按住Ctrl+鼠标左键，进行区域选择，按住Shift+鼠标左键，扩大选择区域。点击“确认选区”按钮，确认操作。text、from_addr字段，如图14：

第八步：模板预览

①鼠标右键点击“数据抽取”，然后点击“模板预览”，如图15：

②预览结果如图16：

第九步：采集预览

①点击右上角采集预览,如图17：

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18：