XML文件结构

相信大家在采集数据后都会发现，集搜客的爬虫软件抓取的网页数据是以XML格式保存下来的，可能有一部分人看不懂XML数据文件。所以本文以一个XML文件为例子，给大家讲讲XML文件结构内各个标签（紫色字体）的意思。

XML文件是由成对的标签组成的，分为系统标签和自定义标签，首先讲解一下系统标签的含义和作用（红框部分）：

• extraction：提取信息的操作，包含采到的所有标签信息。
• clueid：指当前网址的线索编号，每条网址都具有唯一的编号。如果是涉及自动翻页的情况，它的clueid就不变了，我们可以根据这个找到所有页码的数据。
• fullpath：指线索网址，就是添加到规则中的初始网址。
• realpath：指实际访问的网址。有些网址通过浏览器访问会发生变化，所以fullpath和realpath分别记录变化前和变化后的网址。
• theme：指主题名，即制作规则时输入的主题名。
• middle：指规则编号，默认为规则_1，做规则时也可以自定义。
• createdate：记录数据抓取下来的日期。
• pageno：记录翻页次数。如有，则默认从0开始。
• actionno：记录规则中连续动作的各层动作的完成次数，识别-+-符号就能分割出相应层次动作的执行次数。如有，则默认从0开始。
• actionvalue：记录特定动作类型执行后的结果，识别-+-符号就能分割出相应层次动作的执行结果。比如输入动作的关键词、选择动作的选中项是会默认记录在actionvalue里。
• prestamp：记录抓取上级线索时的爬虫名称、窗口名称和时间戳，中间用-+-符号分割，用于连续输入和飞掠模式的上下级主题之间的关联。
• currentstamp：记录抓取当前结果文件的爬虫名称、窗口名称和时间戳，中间用-+-符号分割，用于连续输入和飞掠模式的上下级主题之间的关联。
• bucketName：指整理箱的名字，由用户自拟。
• uri：即统一资源标识符，表示请求服务器的路径。

下面是自定义标签部分，即整理箱的标签，都是做规则时自己建立和命名的。

• 商品：即整理箱的名字，与bucketName里记录的是一样的。
• item：如果做了样例复制或有多个样例的话，xml中会出现多个item对。一对item代表一个样例的内容。 底层标签：标题、价格、累计标签、颜色、版本、购买方式，这些标签里面就是采集到的网页信息了。

若有疑问可以或