集搜客GooSeeker网络爬虫除了能把网页上的内容转换成结构化的表格以外，还能将整个html文档或者html中某个标签下的片段采集下来，放在XML格式的结果文件中。定义这样的规则相当简单。但是，在V9.0.5版本之前，有一个bug，当采集复杂网页html的时候，有时会生成不了结果文件。 V9.0.5版本解决了这个bug，在结果文件中，html文档片段存入一个CDATA中，会对原网页上的CDATA进行转义，防止冲突造成无法生成结果文件，所以，使用采集结果的时候，要根据需要做反转义。 下面，我们将详细讲解操作方法。 1. 定义爬虫规则，采集网页片段 如下图，假定定义了一个整理箱，里面创建了一个抓取内容，名字是html，用这个抓取内容存储采集下来的html片段。这个例子中，我们将把整个html存到抓取内容中。定义规则的步骤主要有： 第一步，做内容映射，把DOM窗口上的编号是0的节点映射给抓取内容html 第二步，做高级设置，勾选“网页片段” 至此，规则定义好了，存规则，就能抓取数据了。
2. 观察采集结果文件 采集结果文件是一个XML文件，存于DataScraperWorks文件夹，详细说明参看《查看数据结果》。下面的截图是采集结果文件的一个片段，可以看到抓取内容html是一个xml标签，下面存了完整的html文档。但是这个截图是Firefox解析出来的样子，要看源代码，应该用编辑器打开，请注意对比下面两个图，底下那个图显示源代码，可以看到html是存于一个CDATA中的。
3. 网页片段中的转义符 如果html文档中含有CDATA，那么就有开始标签和结束标签形成一对，分别是 <![CDATA[ 和 ]]> 两个标签。为了不让网页上的CDATA与结果文件中的CDATA冲突，就把网页上的CDATA标签转义了。对应关系如下：
当使用采集结果的时候，需要通过字符串替换，进行反转义。
|
