如题,以下网址:https://safety.caac.gov.cn/index/download.act?checkSum=a1e0536a633d3fde2b816c474f2549fa&fileName=ASRS%25E6%2594%25B6%25E5%258F%2596%25E7%259A%2584%25E9%25A3%259E%25E8%25A1%258C%25E5%2591%2598%25E5%2585%25B3%25E4%25BA%258EADS-B%25E8%25AE%25BE%25E5%25A4%2587%25E4%25BD%25BF%25E7%2594%25A8%25E4%25BC%2598%25E7%25BC%25BA%25E7%2582%25B9%25E7%259A%2584%25E6%258A%25A5%25E5%2591%258A.pdf
中的文字能否抓取。用火狐F12可以透析网页结构。但用GS浏览器解析抓取后确显示成乱码,求解。
附MS谋数台抓取测试结果:


MS谋数台测试结果

MS谋数台测试结果
举报 使用道具
| 回复

共 1 个关于本帖的回复 最后回复于 2019-12-23 15:09

Fuller 管理员 发表于 2019-12-23 15:09:26 | 显示全部楼层
pdf中的内容采集不下来。可以先用集搜客网络爬虫的文件下载功能,把pdf文件下载下来,然后用程序解析pdf文件,把内容提取出来
举报 使用道具
您需要登录后才可以回帖 登录 | 立即注册

精彩推荐

  • Gephi社会网络分析-马蜂窝游记文本分词并同
  • Gephi社会网络分析-基于马蜂窝游记文本以词
  • 知乎话题文本根据词语间距筛选后生成共词矩
  • 马蜂窝游记文本分词后以词语间距为筛选条件
  • 学习使用apriori算法挖掘关联关系

热门用户

GMT+8, 2024-3-29 14:53