众所周知,对于新闻网站来说,图片位置是无法固定的,所以想要爬取到这些位置不固定的图片,需要一定的技术手段。
以某网站为例,任务入口地址为:http://www.chengdu.cn/
一、对首页进行链接抽取。
抽取文章标题,使用地址过滤“包含”.shtml。抽取到结果如下:
二、新建模板2,抽取图片链接及内容数据:
示例地址如下:http://news.chengdu.cn/2016/0817/1810143.shtml
1. 把图片链接抽取出来。
进行采集预览,查看图片的链接规律,通过地址过滤“排除”^jpg;^jpeg;^png;^bmp;^gif。
2. 为图片设置唯一标志与正文相关联。
通过标题过滤脚本return MD5(URL.urlname)给模板2的主键赋值,因为新闻图片的不规则性,需要通过某个字段将内容与图片相关联,所以此处标题过滤还有个作用就是将整个网页内容传递到模板3,起到相关联的作用。
过滤好的图片链接如下:
3.设置字段,为了将爬取到的内容分类的放入数据库中。
取正文页的数据,配置如下表单:
4.给字段赋值,从而获得数据。
通过定位及脚本取值,取到如下数据:
由于新闻类网站文章的不规则性,所以某些字段是需要通过脚本取值实现的。脚本取值字段包括:hkey、author、news_time、content、pub_web。
以下为字段脚本:
hkey:return MD5(URL.urlname);//返回本页链接地址,通过MD5方法加密。
author:
return "编辑" + DOM.GetTextAll(DOM.FindClass("font_gray")).Right("编辑");//在源码里找到包含作者标签的class,取出其中的文本,然后取右串“编辑”。
news_time:
return DOM.GetTextAll(DOM.FindClass("font_gray")).Left("来源");//在源码里找到包含新闻时间标签的class,取出其中的文本,然后取“来源”左侧的内容。
content:
return DOM.GetTextAll(DOM.FindClass("contxt"));//在源码里找到包含新闻事件标签的class,取出其中的文本。
pub_web:
return DOM.GetTextAll(DOM.FindClass("font_gray")).Middle("来源:"," ");//源码里找到包含文章原出处标签的class,取出其中的文本,然后取”来源”和” ”中间的内容。
三.新建模板3,抽取图片。
取图片,配置如下表单:
需要注意的是003为新闻主键,即与模板二相对应的字段。
预览的结果图如下:
这样操作不仅可以使内容和图片一一对应,也便于之后的数据导出工作。