今天小编为大家带来的教程是:如何在前嗅ForeSpider中进行,字段的取值与清洗。主要内容包括:自动取值字段,取值的两个方法,和字段清洗方式。具体内容如下:
一,自动取值的字段包括哪些
当字段设置为下列采集内容时,系统会自动为字段赋值。
1.网页地址:自动采集网页的URL地址。2.网页标题:采集网页的标题。即网页<title>中的内容。3.网页内文字文本:采集整个页面中所有可见的文字文本。4.网页内容:采集网页全部文本,包含html标签等,即整个页面的源代码。5.网页创建时间:文档创建或网页发布的时间。6.网页更新时间:文档或网页更新的时间。7.网页获取时间:ForeSpider采集该网页的时间。8.当前系统时间:数据采集入库的时间。9.文档数据大小:采集对象的质量大小[单位:字节]。10.文档名称:采集对象的文件名,如.html,.doc。11.文档后缀:文档的文件名后缀,如html、pdf等。12.文档视宽:文档的宽[如果是图片数据则为图片的宽]。13.文档视高:文档的高[如果是图片数据则为图片的高]。14.文档层级:自动获取从入口页当当前数据页的跳转层级数目。15.频道ID:采集当前频道的ID。16.频道名称:采集当前频道的名称。二,取值方法
1.标准定位
(1)标准定位含义通过在内置浏览器上,定位有所需数据的区域,为字段取值。大多数情况都选择“标准定位”。(2)定位方法①选择:按Ctrl点击页面上相应数据的区域。②扩大选区:按Shift再次点击页面相应区域。③确认选区:点击“确认选区”按钮,选区生效。标准定位
2.特征定位
(1)特征定位含义当所需数据在不同网页的位置不固定,且数据前后具有特征性文字时,用标准定位容易错位,需要使用特征定位。举例:对于字符串“作者:*”,采集作者名称时,可用“作者:”作为特征来定位。(2)特征定位的操作方法
① 选择:按Ctrl点击页面上所需数据的区域。 ② 识别特征:点击“识别特征”,出现红框,再次点击,红框移动到特征字符串时确认。 ③ 点击“确认选区”按钮,选区生效。(3)特征定位的类型
特征定位分为四种方式: ① 局部关键词当页面的数据前有特定的关键词,而各个页面的表格内容、各行次序、行数又各不相同时,采用标准定位的方式就会错乱。可以根据表头特征,采集表格后的数据。与全文关键词的区别是,局部关键词只在选定区域的附近采集。 ② 全文关键词根据选定的特征关键词,在全页面采集该特征关键词前后对应的数据,如果出现多个特征关键词,以第一个为主。如果想采集多个的话,可以设定多值。>>查看多值的配置方式 ③ 大文本选定大文本区域后,自动识别各页面的大文本,相比标准定位更加精确。 ④ 特殊标签采集页面中只出现一次的特殊标签,如标题的<h1>标签等。三,字段清洗方式
在采集数据之前,通过使用字段处理,软件可以自动以某种过滤方式,清洗该字段的字符串数据。通过系统自带的或脚本的方式,可以预先清洗不需要的字符串。
字段处理
字段清洗的方式如下:
字段处理脚本是字段处理中选择“脚本处理”后,通过脚本进一步把需要的数据清洗干净。具体配置方法需要参考脚本文档。