ITPub博客

零基础也能玩转大数据之豆瓣电影短评采集教程

原创 数据分析 作者:后羿采集器 时间:2018-11-05 14:20:51 0 删除 编辑

本文主要介绍如何使用后羿采集器的 智能模式 ,免费采集豆瓣短评(碟中谍6-全面瓦解)的评论者、评论时间、评论内容等信息。

采集工具简介:

后羿采集器是一款基于人工智能技术的 网络爬虫工具 ,只需要输入网址就能够自动识别网页数据,无需配置即可完成数据采集,是业内首家支持三种操作系统(包括Windows、Mac和Linux)的爬虫软件。

该软件是一款真正免费的数据采集软件,对采集结果导出没有任何限制,没有编程基础的小白用户也可轻松实现数据采集要求。

官方网址:http://www.houyicaiji.com/

采集对象简介:

豆瓣是一个社区网站。该网站以书影音起家,提供关于书籍、电影、音乐等作品的信息,无论描述还是评论都由用户提供,是Web 2.0网站中具有特色的一个网站。网站还提供书影音推荐、线下同城活动、小组话题交流等多种服务功能,它更像一个集品味系统(读书、电影、音乐)、表达系统(我读、我看、我听)和交流系统(同城、小组、友邻)于一体的创新网络服务,一直致力于帮助都市人群发现生活中有用的事物。

采集字段:

评论者、发布时间、有用数、评论内容

功能点目录:

如何采集需要登录才能查看的网页

如何实现翻页功能

采集结果预览:

下面我们来详细介绍一下如何免费采集豆瓣短评数据,我们以《碟中谍6-全面瓦解》的豆瓣短评为例,具体步骤如下:

步骤一:下载安装后羿采集器,并注册登录

1、 点此 打开后羿采集器官网,下载并安装爬虫软件工具—后羿采集器软件

2、点击注册登录,注册新账号,登录后羿采集器

【温馨提示】 您可以直接使用此款爬虫软件,不需要进行注册,但是匿名账户下的任务在切换到注册用户时会丢失,因此建议您注册后使用。

后羿采集器为神箭手云旗下产品,如果您是神箭手用户,可直接登录。

步骤二:新建采集任务

1、复制 《碟中谍6-全面瓦解》 豆瓣短评的网页(需要搜索结果页的网址,而不是首页的网址)

点此 了解关于如何正确地输入网址。

2、新建智能模式采集任务

您可以在软件上直接新建采集任务,也可以通过导入规则来创建任务。

点此 了解如何导入和导出采集规则。

步骤三:配置采集规则

1、设置预登录

豆瓣短评在用户未登录的情况下只能显示前10页的数据,如果用户需要采集更多的数据,需要登录后才能采集,因此我们需要先进行预登录,然后才能进行采集。

这里我们要使用到“预登录”功能,点击“预登录”按钮即可打开登录窗口,如下图所示。后羿采集器不会存储和上传您的账户信息,您可以放心使用此功能。

点此 深入了解预登录功能的使用用法。

2、手动设置分页

豆瓣短评页面的翻页按钮比较特殊,智能模式无法直接识别元素采集下一页,此时系统会出现提示。

我们需要手动设置分页,设置“分页设置—手动设置分页—点选分页按钮”,然后再在网页中点击翻页按钮。

点此 了解如何实现翻页功能。

3、设置提取数据字段

在智能模式下,我们输入网址后软件即可自动识别出页面上的数据并生成采集结果,每一类数据对应一个采集字段,我们可以右击字段进行相关设置,包括修改字段名称、增减字段、处理数据等。

点此 了解如何对采集字段进行配置。

我们需要采集豆瓣短评的评论者、发布时间、有用数及评论内容,由于星级评价元素比较特殊,后羿V2.1.22版本暂不支持采集此字段,后续版本中会实现这一功能,字段设置效果如下:

步骤四:设置并启动采集任务

1、设置采集任务

完成了采集数据添加,我们可以开始启动采集任务了。在启动之前我们需要对采集任务进行一些设置,从而提高采集的稳定性和成功率。

点击“设置”按钮,在弹出的运行设置页面中我们可以进行运行设置和防屏蔽设置,这里我们勾选“跳过继续采集”,设置“2”秒请求等待时间,勾选“不加载网页图片”,防屏蔽设置就按照系统默认设置,然后点击保存。

点此 深入了解如何对采集任务进行配置。

2、启动采集任务

点击“保存并启动”按钮,可在弹出的页面中进行一些高级设置,包括定时启动、自动入库和下载图片,本次示例中未使用到这些功能,可直接点击“启动”。

点此 深入了解什么是定时采集。

点此 深入了解什么是自动入库。

点此 深入了解如何下载图片。

【温馨提示】 免费版本可以使用非周期性定时采集功能,下载图片功能是免费的。个人专业版及以上版本可以使用高级定时功能和自动入库功能。

3、运行任务提取数据

任务启动之后便开始自动采集数据,我们从界面上可以直观的看到程序运行过程和采集结果,采集结束之后会有提醒。

步骤五:导出并查看数据

数据采集完成后,我们可以查看和导出数据,后羿采集器支持多种导出方式(手动导出到本地、手动导出到数据库、自动发布到数据库、自动发布到网站)和导出文件的格式(EXCEL、CSV、HTML和TXT),我们选择自己需要方式和文件类型,点击“确认导出”。

点此 深入了解如何查看和清空采集数据。

点此 深入了解如何导出采集结果。

【温馨提示】: 所有手动导出功能都是免费的。个人专业版及以上版本可以使用发布到网站功能。



来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31555526/viewspace-2218726/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2018-10-16

  • 博文量
    7
  • 访问量
    2417