微信公众号热门文章爬虫
2017-08-18 17:23:08 阅读量： 24320
本文介绍使用八爪鱼采集搜狗微信文章（以热门文章为例）的方法
采集网站：http://weixin.sogou.com/
搜狗微信搜索：搜狗微信搜索是搜狗在2014年6月9日推出的一款针对微信公众平台而设立的。“微信搜索”支持搜索微信公众号和微信文章，可以通过关键词搜索相关的微信公众号，或者是微信公众号推送的文章。不仅仅在PC端，搜狗的移动搜索客户端同样会进行相关的微信公众号推荐。
搜狗微信文章采集数据说明：本文进行了搜狗微信-热门内容的所有文章信息采集。本文仅以“搜狗微信-热门内容的所有文章信息采集”为例。大家在实操过程中，可根据自身需求，更换搜狗微信的其他内容进行数据采集。
搜狗微信文章采集详细采集字段说明：微信文章标题、微信文章导语、微信文章来源、微信文章发布时间、微信文章地址。
使用功能点：
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）打开右上角的“流程”。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，选中页面里第一篇文章的区块。系统会识别此区块中的子元素，在操作提示框中，选择“选中子元素”
2）继续选中页面中第二篇文章的区块，系统会自动选中第二篇文章中的子元素，并识别出页面中的其他10组同类元素，在操作提示框中，选择“选中全部”
3）我们可以看到，页面中文章区块里的所有元素均被选中，变为绿色。右侧操作提示框中，出现字段预览表，将鼠标移到表头，点击垃圾桶图标，可删除不需要的字段。字段选择完成后，选择“采集以下数据”
4）我们还想要采集每篇文章的URL，因而还需要提取一个字段。点击第一篇文章的链接，系统会自动选中页面中的一组文章链接。在右侧操作提示框中，选择“选中全部”
5）选择“采集以下链接地址”
6）字段选择完成后，选中相应的字段，可以进行字段的自定义命名
步骤4：修改Xpath
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
拖动后完成后，如下图所示
2）在“列表循环”步骤中，我们建立100篇文章的循环列表。选中整个“循环步骤”，打开“高级选项”，将不固定元素列表中的这条Xpath：//BODY[@id='loginWrap']/DIV[4]/DIV[1]/DIV[3]/UL[1]/LI ，复制粘贴到火狐浏览器中的相应位置
Xpath：是一种路径查询语言，简单的说就是利用一个路径表达式找到我们需要的数据位置
Xpath是用于XML中沿着路径查找数据用的，但是八爪鱼采集器内部有一套针对HTML的Xpath引擎，使得直接用XPATH就能精准的查找定位网页里面的数据
3）在火狐浏览器中，我们发现，通过这条Xpath：//BODY[@id='loginWrap']/DIV[4]/DIV[1]/DIV[3]/UL[1]/LI ，页面中被定位的是20篇文章
4）将Xpath修改为：//BODY[@id='loginWrap']/DIV/DIV[1]/DIV[3]/UL/LI，我们发现页面中所有要采集的文章都被定位了
5）将改好的Xpath：//BODY[@id='loginWrap']/DIV/DIV[1]/DIV[3]/UL/LI，复制粘贴到图片中所示的位置，然后点击“确定”
6）点击左上角的“保存并启动”，选择“启动本次采集”
步骤5：数据采集及导出
1）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”，将采集好的搜狗微信文章的数据导出
