微信公众号热门文章采集（文本+图片）
2017-11-23 14:28:33 阅读量： 58200
本文将以搜狗微信文章为例，介绍使用八爪鱼采集网页文章正文的方法。文章正文里一般包括文本和图片两种。本文将采集文章正文中的文本+图片URL。
将采集以下字段：文章标题、时间、来源和正文（正文中的所有文本，将合并到一个excel单元格中，将使用到“自定义数据合并方式”功能，请大家注意）。同时，采集文章正文中的文本+图片URL，将用到“判断条件”，“判断条件”的使用，有很多需要注意的地方。以下两个教程，大家可先熟悉一下。
“自定义数据合并方式”详解教程：
/tutorialdetail-1/zdyhb_7.html
“判断条件”详解教程：
采集网站：http://weixin.sogou.com/
使用功能点：
l Xpath
l AJAX点击和翻页
l 判断条件
l AJAX滚动
步骤1：创建采集任务
1）进入主界面，选择“自定义模式”
2）将要采集的网址URL复制粘贴到网站输入框中，点击“保存网址”
步骤2：创建翻页循环
1）在页面右上角，打开“流程”，以展现出“流程设计器”和“定制当前操作”两个板块。网页打开后，默认显示“热门”文章。下拉页面，找到并点击“加载更多内容”按钮，在操作提示框中，选择“更多操作”
2）选择“循环点击单个元素”，以创建一个翻页循环
由于此网页涉及Ajax技术，我们需要进行一些高级选项的设置。选中“点击元素”步骤，打开“高级选项”，勾选“Ajax加载数据”，设置时间为“2秒”
注：AJAX即延时加载、异步更新的一种脚本技术，通过在后台与服务器进行少量数据交换，可以在不重新加载整个网页的情况下，对网页的某部分进行更新。
表现特征：a、点击网页中某个选项时，大部分网站的网址不会改变；b、网页不是完全加载，只是局部进行了数据加载，有所变化。
验证方式：点击操作后，在浏览器中，网址输入栏不会出现加载中的状态或者转圈状态。
观察网页，我们发现，通过5次点击“加载更多内容”，页面加载到最底部，一共显示100篇文章。因此，我们设置整个“循环翻页”步骤执行5次。选中“循环翻页”步骤，打开“高级选项”，打开“满足以下条件时退出循环”，设置循环次数等于“5次”，点击“确定”
步骤3：创建列表循环并提取数据
1）移动鼠标，选中页面里第一条文章链接。系统会自动识别相似链接，在操作提示框中，选择“选中全部”
2）选择“循环点击每个链接”
3）系统会自动进入文章详情页。点击需要采集的字段（这里先点击了文章标题），在操作提示框中，选择“采集该元素的文本”。文章发布时间、文章来源字段的采集方法同理
4）接下来开始采集文章正文。先点击文章正文的第一段，系统会自动识别页面内的同类元素，选择“选中全部”
5）可以看到，所有的正文段落均被选中，变为绿色。选择“采集以下元素文本”
注意：在字段表中，可进行字段的自定义修改
6）经过如上操作，正文就会被全部采集下来（默认为每一段正文为一个单元格）。一般而言，我们希望采集的正文，合并为同一个单元格。点击“自定义数据字段”按钮，选择“自定义数据合并方式”，勾选“同一字段多次提取合并为一行，即追加到同一字段，例如正文分页合并”，再点击“确定”
“自定义数据字段”按钮
选择“自定义数据合并方式”
如图进行勾选
步骤4：修改Xpath
1）选中整个“循环步骤”，打开“高级选项”，可以看到，八爪鱼默认生成的是固定元素列表，定位的是前20篇文章的链接
2）在火狐浏览器中打开要采集的网页并观察源码。我们发现，通过此条Xpath：
//DIV[@class='main-left']/DIV[3]/UL/LI/DIV[2]/H3[1]/A，页面中所需的100篇文章均被定位了
3）将修改后的Xpath，复制粘贴到八爪鱼中所示位置，然后点击“确定”
步骤5：修改流程图结构
我们继续观察，通过5次点击“加载更多内容”后，此网页加载出全部100篇文章。因而我们配置规则的思路是，先建立翻页循环，加载出全部100篇文章，再建立循环列表，提取数据
1）选中整个“循环”步骤，将其拖出“循环翻页”步骤。如果不进行此项操作，那么将会出现很多重复数据
拖动完成后，如下图所示
步骤6：数据采集及导出
1）点击左上角的“保存”，然后点击“开始采集”，选择“启动本地采集”
2）采集完成后，会跳出提示，选择“导出数据”，选择“合适的导出方式”，将采集好的数据导出
4）如上图，部分文章的正文没有采集到。那是因为，系统自动生成的文章正文的循环列表的Xpath：//*[@id="js_content"]/P，定位不到此篇文章的正文。将Xpath修改为：//*[@id="js_content"]//P，所有的文章正文均可被定位到
修改Xpath前
修改Xpath后
步骤7：增加判断条件
通过前6个步骤，我们仅采集了微信文章里的文本内容，并不包括文章里的图片URL。如果需要采集图片URL，则需往规则里加入一个判断条件：对文章内容列表进行判断，如果包含img元素（图片），则执行图片采集分支；如果不包含img元素（图片），则执行文本采集分支。
同时，在八爪鱼中，默认对左侧分支，设置判断条件，满足此判断条件，则执行左侧分支；默认最右侧分支为“不判断，总是执行该分支”，即当不满足左侧分支的判断条件时，则执行最右侧分支。
回到此规则，即对左侧分支设置条件：如果包含img元素（图片），则执行左侧分支；如果不满足左侧条件分支的条件（即不包含img元素），则执行右侧分支。具体操作如下：
1）从左侧工具栏，往流程中拖入一个“判断条件”步骤（选定图标拖住不放，拖入箭头所示的绿色加号位置）
2）流程图中出现判断条件。我们将“提取数据”步骤，移动到右侧分支中（绿色加号处）。再点击右侧分支，在出现的结果页面（分支条件检测结果-检测结果总是True）点击“确定”
将“提取元素”步骤，拖入右侧分支
右侧分支-检测结果总是True
3）点击左侧分支，在出现的结果页面（分支条件检测结果-检测结果总是True）点击“确定”。然后对其设置判断条件：勾选“当前循环项包含元素”，输入元素Xpath：//img（代表图片），再点击“确定”
点击左侧分支
对左侧分支，设置判断条件
4）左侧分支条件设置完毕后，再进行提取数据步骤。从左侧工具栏，拖入一个“提取数据”步骤，到流程图中的左侧分支中（绿色加号处），然后选中页面内一张图片，在操作提示框中，选择“采集该图片地址”
拖入新的“提取数据”步骤，到左侧分支
采集图片地址
5）选中右侧分支的“提取数据”步骤，点击“自定义数据字段”按钮，选择“自定义定位元素方式”，将红框中的“元素匹配的Xpath”：
//*[@id="js_content"]/p[1]/span[1]与“相对Xpath”：/span[1]，记录下来
自定义定位元素方式
元素匹配的Xpath、“相对Xpath”
6）选中左侧分支的“提取数据”步骤，点击“自定义数据字段”按钮，选择“自定义定位元素方式”，参照右侧分支相同位置的Xpath进行修改：“元素匹配的Xpath”改为：//*[@id="js_content"]/p[1]/img[1]，“相对Xpath”改为：/img[1]，然后点击“确定”
7）选中左侧分支的“提取数据”步骤，点击“自定义数据字段”按钮，选择“自定义数据合并方式”，如图进行勾选。勾选后，多次提取的正文将追加为一个字段
8）注意，在八爪鱼中，判断条件里各分支中的“提取数据”步骤中的字段名需相同，字段个数需一致。这里，我们将左右两个分支中，提取的字段名均改为“正文”
9）如上，整个判断条件设置完毕。点击左上角的“保存”并“开始采集”。我们发现，在导出的excel表格中，图片地址为一堆乱码。这是为什么呢？继续观察网页——搜狗微信文章正文里的图片，需下拉滚动，才能加载出来，加载出来后才能采集到正确的图片地址。因而，在打开文章后，需对其进行设置“页面加载完成后向下滚动”。在这里，设置滚动次数为“30次”，每次间隔“2秒”，滚动方式为“向下滚动一屏”
微信文章正文里的图片，需下拉滚动，才能加载出来
设置“页面加载完成后向下滚动”
注意：这里的滚动次数、时间、方式的设置，会影响采集数据的速度、质量。本文仅做参考，大家可按需设置
10）重新启动采集，并导出数据，数据导出后如图所示：
导出数据
数据示例
说明：因搜狗微信文章中的图片，需经过下拉滚动，方可加载出来。在采集过程中，大量时间用在等待图片加载，因而采集速度较慢。如果没有采集图片的需求，直接使用文本采集，无需等待图片加载，采集速度会快很多。
