集搜客GooSeeker专有名词解释

2015-8-5 16:06| 发布者: ym| 查看: 212249| 评论: 12

摘要: 样本页面 指用户定义抓取规则的网页页面。样本页面的内容结构具有代表性,在一个样本页面上定义的抓取规则可以适用于相同结构的所有页面,比如,针对京东网的一个商品页面定义一个抓取规则,就能用于抓取所有相同结 ...
整理箱

把想要的网页内容摘取下来,分门别类放在有多个格子的箱子中,这就是整理箱。是不是与像整理家务一样?GooSeeker集搜客软件就是这么好用。

图2:整理箱概念

为了摘取网页内容,必须先创建这个箱子,它本身不用于采集信息,而是作为总的容器,可以用来限制范围或做样例复制的容器;想采集哪些信息,就要在它的下面创建多个抓取内容,通过映射就可以得到爬虫程序,然后用来爬取对应的网页信息。

整理箱的创建和管理都是在“创建规则”工作台上完成的。点击“新建”,然后输入整理箱名称,方框里就会生成整理箱名称的一行,右击它,选择“包容”,就可以在它的下面建立下级抓取内容。如下图,“二手房列表”和“其他”分别是整理箱的名字,第一行就是整理箱容器节点,它的下级就是用来提取信息的抓取内容。

整理箱还可以创建多个。如下图,一个网页的不同模块可以分开放在不同的整理箱,以便能够采集到准确的信息。

图3:多个整理箱


若有疑问可以集搜客网络爬虫

34

鲜花
1

握手

雷人
5

路过
3

鸡蛋

刚表态过的朋友 (43 人)

相关阅读

发表评论

最新评论

评论 Fuller 2018-3-17 09:34
oubinke: 那是不是有一种并行操作的意思呢?那同时抓取同一个主题的话,所得到的结果会不会重复呢
用爬虫群模式,设置好调度参数,规定要分布到多少个爬虫窗口中运行,就能并行抓取。这种用于很多网址的情况,如果只有一个网址,开再多爬虫也没有用
评论 oubinke 2018-3-16 19:32
bowieD: AJAX网页是动态加载的,打开一个网页往下拉,如果一直在加载新的内容就是动态加载的网页
好的,谢谢您
评论 oubinke 2018-3-16 19:32
bowieD: 每一个规则都可以用一个集搜窗口来运行采集,“与原来的管理窗口同时抓取网页数据”的意思是 是集搜窗口与管理窗口同时抓取同一个主题的网页数据。 ...
那是不是有一种并行操作的意思呢?那同时抓取同一个主题的话,所得到的结果会不会重复呢
评论 bowieD 2018-3-16 17:52
oubinke: 您好,请问如何判断一个网页是不是AJAX网页呢
AJAX网页是动态加载的,打开一个网页往下拉,如果一直在加载新的内容就是动态加载的网页
评论 bowieD 2018-3-16 17:51
oubinke: “点击主题的“集搜”按钮后,弹出“抓取网页”会话窗口,设置抓取线索数量并确定后,将会自动弹出新的简化版DS打数机窗口(集搜窗口),与原来的管理窗口同时抓 ...
每一个规则都可以用一个集搜窗口来运行采集,“与原来的管理窗口同时抓取网页数据”的意思是 是集搜窗口与管理窗口同时抓取同一个主题的网页数据。
评论 oubinke 2018-3-16 17:22
“点击主题的“集搜”按钮后,弹出“抓取网页”会话窗口,设置抓取线索数量并确定后,将会自动弹出新的简化版DS打数机窗口(集搜窗口),与原来的管理窗口同时抓取网页数据,能够高效抓取数据;”
您好,您文中所说的“与原来的管理窗口同时抓取网页数据”的意思是,是集搜窗口与管理窗口同时抓取同一个主题的网页数据?还是只是可以同时运行不同的主题而已。
评论 oubinke 2018-3-16 17:07
您好,请问如何判断一个网页是不是AJAX网页呢
评论 Fuller 2017-12-14 11:22
a12345617: 什么工具,一点都不会。完全不知道要干什么
从这个文档开始学:http://www.gooseeker.com/tuto/tutor_article.html?t=2  ,左栏有目录,展开《从入门到精通》,从头开始按照顺序看
评论 a12345617 2017-12-14 11:11
什么工具,一点都不会。完全不知道要干什么
评论 Fuller 2016-8-3 21:36
waq0902: 单搜和集搜的设置线索数是什么意思?什么情况下线索不是1?
手工启动的抓取需要输入线索数,意思是让爬虫只抓指定数量的线索。可以先统计一下,比如,统计出来有50条等待抓取的线索,可以输入50,或者大于50的数字,就会把所有线索抓一遍
评论 waq0902 2016-8-3 20:48
单搜和集搜的设置线索数是什么意思?什么情况下线索不是1?
评论 思秋忆 2015-8-13 11:31
点击导航栏的各个名词,为什么一直停留在目录页呢?能不能改进一下

查看全部评论(12)

GMT+8, 2024-3-29 04:06