4 12096

集搜客是否能抓取整个html

Fuller 于 2016-5-29 10:15 发表 [复制链接]
集搜客是否能抓取整个html?html的超链接形成一个树状结构,集搜客能自动抓取吗?
举报 使用道具
| 回复

共 4 个关于本帖的回复 最后回复于 2018-7-22 13:44

Fuller 管理员 发表于 2016-5-29 10:22:28 | 显示全部楼层
大家可能会形成一种错觉,认为集搜客不能抓取整个html,不能顺着超链接进行扩展,像拷站软件那样。其实,集搜客完全可以这样做。

1,做一个通用的抓取规则。
要下载整个html太容易了,可以做一个对整个互联网都通用的抓取规则,比如,把整个html抓取下来,或者只要body,或者只要body中的文本。因为所有网页都有html->body,所以,这样的规则是通用的

2,定义一个通用的爬虫路线
在MS谋数台的爬虫路线工作台上,可以创建多种线索,其中有样式线索,如果你想把一个网页上的所有含有 http://www.sina.com.cn 这样的前缀的网址都抓到,那么创建一个样式线索,填入 http://www.sina.com.cn 这个字符串。如果你想要所有网址,不妨填入 http 。DS打数机网络爬虫会拿着这个样式去匹配,找到所有符合的网址,生成下级线索。所以,
a,集搜客爬虫能够自动扩展爬行范围
b,还能限定范围,只要某类网址
举报 使用道具
橡胶 初级会员 发表于 2016-10-24 18:18:07 | 显示全部楼层
没看懂,这些网址怎么保存下来
举报 使用道具
Fuller 管理员 发表于 2016-10-24 19:26:53 | 显示全部楼层
橡胶 发表于 2016-10-24 18:18
没看懂,这些网址怎么保存下来

你需要网址?还是网页内容?

网址作为线索,存储在云服务器上,你到会员中心,找到这个规则,在规则管理页面上能看到这些线索
举报 使用道具
橡胶 初级会员 发表于 2016-10-25 18:28:09 | 显示全部楼层
规则管理那里,我看到了这些内容。找不到下载的地方,把这些线索批量下载
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, 2024-3-28 21:46