网站一般由栏目页和内容页组成。首页、主题、搜索结果等也可视为栏目页。
采集网页数据，即从栏目页获得内容页地址列表，从内容页提取所需数据。
网页数据采集有着广泛的用途。例如，金融数据采集分析，门户新闻实时监控，监控电商的库存变化/价格变化，舆情分析，客户资料采集，短视频/文章同步发布到各平台。因此，掌握好这门技术，是非常有必要的。
现在，我们做一个热点新闻推送到手机的功能。我们以某门户站点的新闻热搜榜单为采集对象，采集结果将发布到企业微信。
页面分析
使用Chrome浏览器，按F12打开浏览器的开发者工具，再打开门户站点。查看“网络”面板的访问列表，逐个查看，进而找到热搜的请求地址： https://www.xxx.com/hot-event/hot-board/?origin=xxx_pc&_signature=********* 。这个地址后面带了_signature，我们去掉试试，直接访问 https://www.xxx.com/hot-event/hot-board/?origin=xxx_pc ，发现可以打开。由此得出结论，仅仅采集该地址，即可获得实时热搜榜单。如下图。
页面分析
新建采集规则
打开“蜜蜂采集器”。在左侧的“采集任务列表”上右键点击，弹出菜单中选择“添加采集任务”--“添加采集任务”。
采集任务的“基本设置”中，设置采集任务的名称为“热点新闻推送到手机”。其他默认。
采集任务的“列表页”中，添加“普通网址”，内容为https://www.xxx.com/hot-event/hot-board/?origin=xxx_pc。
采集规则之列表页
如上图。点击下方“实时输出”窗口的网址，在弹出菜单中选择“测试网址采集”。
网址采集
采集任务的“网址采集”中，测试完毕后，展开下方“调试”区域的左侧调试日志列表，选择第一个“Http请求”日志，查看右侧的“响应内容”的选项卡标签，再复制其下方的具体内容。可以看到，这个具体内容就是热搜榜单的具体数值列表，数据格式为JSON格式。
采集规则之网址采集
复制这个JSON内容，再选择上方规则区域的“JSON分析工具”，将内容粘贴到“JSON分析工具”的左侧区域。
JSON分析工具
如图，选中“Url”行，可以看到，JsonPath表达式为["data"][0]["Url"]。所以，“网址”标签的采集规则（JsonPath）为["data"][*]["Url"]。但这个链接太长，我们使用浏览器打开对应的新闻链接，发现实际网址是 https://www.xxx.com/trending/7189954117882609668/?rank=4&log_from=9bc734edafd3a_1674090438028 这样的结构。其中rank是排名，这个是动态变化的，因此，应该从网址中过滤掉rank参数。所以，只需要 https://www.xxx.com/trending/7189954117882609668/ 这样的结果即可。所以，再添加一个“标签数据二次处理”项————“字符串替换”，通配规则为[*]topic_id=[参数]，替换规则为https://www.xxx.com/trending/[参数1]。
“网址”标签的采集
类似的，我们再增加一个“标题”标签，采集规则（JsonPath）为["data"][*]["Title"]。“封面”标签，采集规则（JsonPath）为["data"][*]["Image"]["url"]。“热度”标签，采集规则（JsonPath）为["data"][*]["HotValue"]。 如果以此采集，每次采集到50条记录，一天内多次采集，可能有上百条数据。因此，我们过滤一下。可以看到，这50条记录中，只有少量的Label值是hot，以此作为过滤条件。再增加一个“热门”标签，采集规则（JsonPath）为["data"][*]["Label"]，并设置“内容过滤处理”必须包含“hot”字符串。如图。
内容过滤处理
内容采集
采集任务的“内容采集”中，设置“热门”标签为临时标签。临时标签不入库。因为“热门”标签仅仅用来过滤网址列表，无需入库。
临时标签
采集任务的“内容采集”中，“内容”标签的采集。“内容”标签采集的是热点新闻的概要。所以，先采集 https://www.xxx.com/trending/7190322924799131705 ，即“热点新闻专题页”，获取里面的第一个新闻链接。再访问新闻链接，获取里面的新闻概要。如果“热点新闻专题页”中无法获取到新闻链接，则新闻概要为空。
因此，提取新闻链接的采集规则（XPath）为//div[@class="feed-card-article-l"]/a/@href。XPath可以通过浏览器的开发者工具获取，请参考相应文档。
随后勾选“标签数据二次处理”，并添加“网址补全/Http请求”项。
再添加一个“字符串截取”项，用于从“新闻链接页面”提取概要。起始字符串为<meta name="description" content="，结束字符串为"/>。
再添加一个“添加内容前后缀”项。 字符串后缀：
字符串后缀：
原文：[标签:原文地址]
热度：[标签:热度]
[标签:封面]考虑到“内容”标签可能为空，“添加内容前后缀”时，取消勾选“内容为空时，不添加前后缀”。
添加内容前后缀
再添加一个“原文地址”标签。设置“数据来源”为“从网址中提取”，并且提取方法为“字符串截取”，起始字符串和结束字符串均为空。
原文地址
测试采集规则。点击下方的“测试”，测试是否正常执行。在“网址采集”的测试窗口，双击记录项 或 点击“测试内容采集”，即可获得测试网址。
测试内容采集
注意：测试采集时提示“您需要允许该网站执行 JavaScript”，这是未设置Cookie所致。在管理器“Cookie管理”中添加Cookie项，在采集规则的“基本设置”中设置Cookie，即可。
内容发布
打开主菜单“帮助”——“应用市场”。类型选择“内容发布插件”。找到插件“发布到企业微信应用”，点击“下载”。
应用市场
如果没有可用的PHP“外部程序”，请下载PHP，并添加到“外部程序管理中”。
点击“保存”后，即创建了一个“发布到插件”的发布配置。
打开管理器“发布到插件”，选中刚刚添加的发布配置，点击“修改”。填入您的企业微信开发者帐号信息。touser / toparty / totag 至少填写一个，不能全部留空；corpid / corpsecret / agentid 必填。
发布到插件
切换回采集规则编辑窗口。添加“发布到插件”（点击工具栏“发布到站点”后面的下拉图标），并指定发布参数为刚刚添加的发布配置。点击下方的“测试”，测试是否正常执行。在“内容采集”的测试窗口，双击记录项 或 点击“测试内容发布”，即可获得测试数据。
测试内容发布
计划任务
打开主菜单“视图”——“计划任务”。添加一个计划任务，执行周期为10分钟。
计划任务
至此，就实现了我们自己的热点新闻推送。
希望这篇文档的介绍，可以抛砖引玉，也能让你了解采集器的使用，可以去蜜蜂采集器官网https://zhi200.com下载最新版本客户端。
文章评论