网页上的数据类型十分丰富：文本、图片、链接、源码等。在数据采集过程中，不同类型的数据类型，对应的抓取方式是不同的。本文将讲解常见的数据类型与其抓取方式。
示例网址：https://movie.douban.com/explore#!type=movie&tag=%E7%BB%8F%E5%85%B8&sort=recommend&page_limit=20&page_start=0
1、抓取文本：抓取显示在页面中的文本
操作：鼠标选中页面中的文本，在弹出的操作提示框中选择【采集该元素的文本】，目标文本就被采集下来了。
同时，将鼠标移动到字段名【文本】上，点击
进入本行预览，点击 
按钮，选择【元素抓取方式】，可以看到八爪鱼自动为我们选择了【元素文本】。
2、抓取图片网址：抓取图片的网址
操作：鼠标选中页面中的图片，在弹出的操作提示框中选择【采集该图片地址】，图片网址就被提取下来了。
同时，将鼠标移动到字段名【图片地址】上，点击 按钮，选择【元素抓取方式】，可以看到八爪鱼自动为我们选择了【抓取图片网址（IMG标签的src属性）】。
为什么是【IMG标签的src属性】？在 XPath教程 中，我们讲过网页Html相关知识，网页上的图片一般都是用IMG标签表示，其图片地址会放在IMG标签的src属性中。
所以，当我们要提取图片网址时，本质上是用XPath定位到Img标签，再从IMG标签中提取src属性，src属性的值，就是图片网址。
这里演示的只是抓取图片时使用的抓取方式，具体的图片采集，请看教程：图片采集与下载到本地
3、抓取链接网址，抓取网页上超链接的网址
示例网址：https://weixin.sogou.com/为例
操作：鼠标选中页面中的超链接（一般是放在标题文本、图片中，可点击跳转），在弹出的操作提示框中选择【采集该链接地址】，超链接的网址就被提取下来了。
同时，将鼠标移动到字段名【链接地址】上，点击 按钮，选择【元素抓取方式】，可以看到八爪鱼自动为我们选择了【元素链接网址】。
在 XPath教程 中，我们讲过网页Html相关知识，网页上的超链接一般都是用A标签表示，超链接会放在IMG标签的href属性中。
所以，当我们要提取超链接网址时，本质上是用XPath定位到A标签，再从A标签中提取href属性，href属性的值，就是超链接网址。
4、抓取输入框的值：抓取文本输入框中的文本
示例网址：
https://search.douban.com/movie/subject_search?search_text=%E9%9C%B8%E7%8E%8B%E5%88%AB%E5%A7%AC&cat=1002
操作：鼠标选中页面中文本输入框（文本输入已有输入值），在弹出的操作提示框中选择【采集该文本框的值】，文本输入框中的关键词就被提取下来了。
同时，将鼠标移动到字段名【文本框值】上，点击 按钮，选择【元素抓取方式】，可以看到八爪鱼自动为我们选择了【抓取值（INPUT标签的value属性）】。
在 XPath教程 中，我们讲过网页Html相关知识，网页上的文本输入框一般都是用INPUT标签表示，在文本框中输入的关键词，会显示在INPUT标签的某个属性中。
所以，当我们要提取文本框中的关键词时，本质上是用XPath定位到INPUT标签，再从INPUT标签中提取指定属性，该属性的值，就是输入框中的关键词。
5、抓取网页源码：抓取网页元素对应的源码
示例网址：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4
抓取网页源码Outer Html
操作：鼠标选中页面中要抓取的元素，在弹出的操作提示框中选择【采集该元素的Outer Html】，该元素对应的源码（Outer Html）就被采集下来了。
同时，将鼠标移动到字段名【OuterHtml】上，点击 按钮，选择【元素抓取方式】，可以看到八爪鱼自动为我们选择了【元素网页源码（Outer Html】。
抓取网页源码Inner Html
操作：鼠标选中页面中要抓取的元素，在弹出的操作提示框中选择【采集该元素的Inner Html】，该元素对应的源码（Inner Html）就被采集下来了。
同时，将鼠标移动到字段名【Inner Html】上，点击 按钮，选择【元素抓取方式】，可以看到八爪鱼自动为我们选择了【元素内部网页源码（Inner Html】。
Outer Html 和 Inner Html有何区别？
Outer Html：包含当前元素
Inner Html：不包含当前元素，从当前元素的下一级开始
6、抓取元素属性值
先用XPath找到当前元素的源码，观察当前源码中存在什么属性值、需要提取哪个属性值，然后提取存在且需要的属性值即可。
示例网址：https://search.jd.com/Search?keyword=%E6%89%8B%E6%9C%BA&enc=utf-8&qrst=1&rt=1&stop=1&vt=2&wq=%E6%89%8B%E6%9C%BA&page=7&s=177&click=0
操作步骤：
如图，是一个京东商品列表页。每一个商品，都有一个商品ID，现在需要采集这个商品ID。
第1个商品列表的定位XPath为.//*[@id='J_goodsList']/ul/li[1]，对应的网页源码中，有class、data-sku、data-spu、data-pid四个属性。我们需要抓取data-sku这个属性的属性值。
我们先选中第一个商品列表，在弹出的操作提示框中，选择【采集该元素的文本】，这个步骤只是为了获得定位到列表的XPath。
我们真正想抓取的，是data-sku的属性值，所以将鼠标移动到字段名【文本】上，点击 按钮，选择【元素抓取方式】，将抓取方式更改为【抓取元素属性值】，并在下拉框中，选择【data-sku】，这样，我们就将data-sku属性的值采集下来了，这个值就是我们需要的数值。最后，点击【应用】，保存配置即可。
文章评论