实例：统计知乎张佳玮所有文章标题

https://www.zhihu.com/people/zhang-jia-wei/posts

步骤（通用！！！）

1、打开 web scraper

2、创建 sitemap

3、设置 selector （抓取规则）

4、启动抓取程序

5、导出 excel 到本地电脑

分析

规律分页

规律就是第一页到第n页如下

https://www.zhihu.com/people/zhang-jia-wei/posts?page=1

……

https://www.zhihu.com/people/zhang-jia-wei/posts?page=n

抓取方法

https://www.zhihu.com/people/zhang-jia-wei/posts?page=n

将 start URL 改为：两个数字，前面的一定要比后面的小

https://www.zhihu.com/people/zhang-jia-wei/posts?page=[1-42]

[1-42] 表示从第 1 页到第 42 页

[1-10] 表示从第 1 页到第 10 页

[6-20] 表示从第 6 页到第 20 页

这篇只展示主要内容

修改 start URL 为指定格式

新建 start URL 为指定格式

不同网站规律不同，多点几下不同的页码，注意第一页！！！

知乎：https://www.zhihu.com/people/zhang-jia-wei/posts?page=n

赶集网：http://weinan.ganji.com/fang1/on/

链家网：https://bj.lianjia.com/ershoufang/pgn/

微博：必须登录才能抓取1页之后的页

https://weibo.com/bylixiaolai?is_search=0&visible=0&is_hot=1&is_tag=0&profile_ftype=1&page=1#feedtop

https://weibo.com/bylixiaolai?is_search=0&visible=0&is_hot=1&is_tag=0&profile_ftype=1&page=[1-3]#feedtop

其他规律分页

豆瓣：相邻页 的数字差：20

第 1 ⻚：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4?start=0&type=T

第 2 ⻚：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4?start=20&type=T

第 3 ⻚：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4?start=40&type=T

应该这样设置 start URL ：

首页对应的数字：0

末页对应的数字：180

相邻页对应的数字：20 如果是1 可以省略（默认也是省略的）

抓 1-10 页：

https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4?start=[0-180:20]&type=T

不同的网页的规律不同 ！！！

如果要抓取一个网站的翻页数据

首先，分析 URL 是否有规律，

如果有规律，就按照本节的方法抓取

如果没有规律，后面会介绍其他的翻页方法。

发表评论