如何采集PDF内的信息？

1、通过火狐浏览器的工具菜单->选项->应用程序，点击“便携式文档格式（PDF）”右侧下拉菜单，设置为“在Firefox中预览”，这样网页上的pdf链接就能通过火狐浏览器直接显示为pdf网页。

2、打开一个pdf链接，就能看到其网页版，此时按F12快捷键，如果能解析出HTML结构，就可以把它当做普通网页，从而通过集搜客爬虫来采集pdf内的信息，具体操作请往下看； 如果不能解析出HTML结构，说明pdf就像图片那样，不能抓取里面的信息，只能下载下来，自动批量下载pdf文件的方法见http://www.gooseeker.com/doc/article-175-1.html 。

3、打开MS谋数台制作第一级规则采集pdf链接，操作如下：

3.1 建立第一级规则，例如规则名叫“pdf_first”，输入样本网址，在整理箱中映射pdf链接并设置下级线索；

3.2 在爬虫路线中目标主题名填第二级规则名，例如规则名“pdf_second”。测试没问题就保存规则。

4、MS谋数台中点击文件菜单->新建，输入样本网址，制作第二级规则，名字就用前面命名的第二级规则名，采集pdf内的信息。

4.1 如下图，我们可以看到一页pdf对应了一个div模块，要把整篇pdf文章抓下来，我们只能找包容每页pdf的上层节点做映射。注意：要先双击抓取内容，在高级设置中选择文本内容，然后才能对dom模块节点做内容映射。

4.2 找到包容整篇文章的节点做内容映射后，最好是对整理箱以及抓取内容都做上定位标志映射，能够提高定位的准确性和规则的适用性。

4.3 有多页pdf的话，还要设置翻页，操作：点击网页中的下一页按钮，定位到翻页记号所在的dom模块，在爬虫路线中新建记号线索，把翻页区块节点（这里是BUTTON节点）映射给定位编号，本案例中的翻页记号是属性节点@title，不是#text节点的话，要取消勾选文本记号，然后才能映射给记号定位编号。最后记得保存规则。

5、点击MS谋数台中的爬数据或通过火狐工具菜单运行DS打数机，在DS打数机中搜索规则。

先采集第一级规则：点击单搜，输入网址数量，采集时会把抓到的pdf链接自动导入到第二级规则中。

再采集第二级规则：由于翻页记号始终存在，最后就会陷入翻页循环，我们通过点击高级菜单->中断标志->重复内容来解决，这样当网页重复出现三次时，DS打数机就会判断为重复而停止抓取。然后右击规则名，统计有多少条等待抓取的线索，再输入线索数，如下图，爬虫会自动翻页采集，每抓一页得到一个xml数据文件，最后把xml导入到excel中，进行重复过滤以及文本合并处理，就能得到完整的pdf文章信息。

推荐新手看完如下教程，再来操作

1）安装集搜客爬虫，操作见安装说明http://www.gooseeker.com/doc/article-135-1.html

2）制作规则请参看教程学习

入门教程：http://www.jisouke.com/doc/article-325-1.html

合并采集分散文本：http://www.gooseeker.com/doc/article-101-1.html

样例复制：http://www.jisouke.com/doc/article-330-1.html

层级规则：http://www.jisouke.com/doc/article-343-1.html

3）采集数据入门请参考教程学习

如何运行DS采集数据：http://www.jisouke.com/doc/article-326-1.html

如何管理规则的线索：http://www.gooseeker.com/doc/thread-667-1-3.html

如何查看数据文件：http://www.gooseeker.com/doc/article-123-1.html

如果看完上面教程，仍然搞不定，请看初级->中级教程打牢基础，再来操作，可以事半功倍。教程参见http://www.gooseeker.com/tuto/tutorial.html

若有疑问可以或