火车采集教程之《获取网址内容》

获取网址内容

 获取网址内容有常规模式和高级模式两种。
 1.常规模式：该模式默认抓取一级地址，即从起始页源代码中获取到内容页A链接。
            它有2种方式：a.自动获取地址链接 b.手动设置规则获取。
 2.高级模式：该模式对0级，多级，POST类型网址的抓取有效。
            即起始网址就是内容页网址；
            或者需要对多级列表网址采集才能得到最终内容页链接；
            或者是post网址类型抓取等情况下使用高级模式。

下面对常规模式采集进行具体说明
高级模式 详细教程后续分解

常规模式

 自动获取地址链接

自动获取地址链接:自动获取该级列表页中所有的a标签<a href="URL">内的URL链接 如新浪内地新闻：http://roll.news.sina.com.cn/news/gnxw/gdxw1/index.shtml 获取结果如图：

共81个一级网址，但实际我们需要抓取的1级网址是每页40个，
所以我们可以通过区域设置和链接过滤设置 来获取我们所需要的链接。 用谷歌浏览器在网页上右击——查看网页源代码，分析源码得出： 开始字符串为<ul class="list_009"> 结尾字符串为 <!-- 分页 begin -->

​

这样我们再点击网址采集测试，可以看出结果是正确的。

​

手动设置规则获取

对于有些由脚本生成的网址，采集器不能自动识别，此时就要手动设置规则获取了。
手动设置规则获取设置原理是编写脚本规则，去和源代码里的内容匹配，获取到自己设置的参数即可。
其中提取规则里的[参数]，(*) ，[标签:XXX] 都是通配符，可以统配任意字符， 区别在于[参数]有返回值，一般用于拼接地址，(*)没有返回值，[标签:XXX]有返回值，返回值给标签。 如新浪内地新闻：http://roll.news.sina.com.cn/news/gnxw/gdxw1/index.shtml

有如下源码：

    <li><a href="http://news.sina.com.cn/c/nd/2015-10-10/doc-ifxirmpy1472664.shtml" target="_blank">山西公布政府部门责任清单 建立拒腐机制</a><span>(10月10日 20:20)</span></li>
    <li><a href="http://news.sina.com.cn/c/nd/2015-10-10/doc-ifxirwnr6902154.shtml" target="_blank">河南登封市长被举报建寺涉贪 与释延鲁关系密切</a><span>(10月10日 20:14)</span></li>
    <li><a href="http://news.sina.com.cn/c/nd/2015-10-10/doc-ifxirmqc5006034.shtml" target="_blank">张家界国土局副局长涉严重违纪被查</a><span>(10月10日 19:45)</span></li>

此时，我们可以取其中的一条代码作为循环匹配，把我们要获取的链接替换成[参数]，需要采集到的值替换成标签。 如：

<li><a href="[参数]" target="_blank">[标签:title]</a><span>([标签:time])</span></li>

​