火車采集器標簽編輯使用教學(xué)

火車采集器是一款專業(yè)的互聯(lián)網(wǎng)數(shù)據(jù)抓取、處理、分析，挖掘軟件，多數(shù)據(jù)庫支持，用戶可以對Access/MySQL/MsSQL/Sqlite/Oracle多種類型的數(shù)據(jù)庫保存及發(fā)布，功能豐富實用操作簡單，支持各種文件數(shù)據(jù)格式，圖片、壓縮文件、視頻等任意格式的文件都能輕松下載，兼容性極強，適用于各種微軟系統(tǒng)，運行流暢，完美匹配。多個搜索引擎，強大數(shù)據(jù)搜索能力，業(yè)界領(lǐng)先，用戶不需要再下載其他搜索軟件，今天小編就為大家?guī)�來了火車采集器，標簽編輯使用教學(xué)，幫助大家更好的使用這一款軟件！

火車采集器標簽編輯使用教學(xué)圖1

火車采集器標簽編輯

對數(shù)據(jù)內(nèi)容標簽進行編輯定義，數(shù)據(jù)的獲取方式有

A).從源碼中獲取數(shù)據(jù)

B).生成固定格式的數(shù)據(jù)

C).已有標簽組合

A).從源碼中獲取數(shù)據(jù)：可精確地設(shè)置標簽的來源是從默認頁的源碼、返回頭信息和網(wǎng)頁地址中，

或者是分頁、循環(huán)分塊、多頁中。

其數(shù)據(jù)提取方式包括：

A.a).前后截取

A.b).正則提取

A.c).正文提取

A.d).Xpath提取

A.e).JSON 提取

B).生成固定格式的數(shù)據(jù)：可生成固定的字符串、系統(tǒng)時間、隨機字符串、隨機數(shù)字、系統(tǒng)時間戳、隨機抽取信息

C).已有標簽組合：可通過組合已有的標簽，來生成新的標簽內(nèi)容

A.a).前后截取

通過設(shè)置開始字符串和結(jié)束字符串，來獲取中間的字符，可以在開始和結(jié)束字符串中設(shè)置通配符（*）

A.b).正則提取

支持兩種正則，一個純正則，一個參數(shù)正則。

先介紹純正則，舉個例子，

如：前字符串 (?<content>[\s\S]*?)后字符串，這個正則其實效果跟前后截取一樣，

如需要獲取全部代碼，則為^(?<content>[\s\S]*?)$ ，此功能運用需有一定的正則基礎(chǔ)。

關(guān)于參數(shù)正則，是通過參數(shù)組合，來生成內(nèi)容。

比如說要匹配標題為“新用戶注冊”和作者“神秘嘉賓”，代碼如下：

<div class="content">

<h2>新用戶注冊</h2>

<div id="tools">【作者：神秘嘉賓】【字號：<a href="#" class="fontSize">大</a>

設(shè)置如圖：

火車采集器標簽編輯使用教學(xué)圖2

需要獲取的字段用參數(shù)表示，不需要的字段或空格用星號代替；在組合結(jié)果里可以對多個參數(shù)進行組合。

A.c).正文提取

注意這種方式只適合格式較為規(guī)則的多文字數(shù)據(jù)提取，例如新聞文章。

它不需要設(shè)置復(fù)雜的規(guī)則，可智能分析提取文章正文，文章標題，以及發(fā)布時間。

火車采集器標簽編輯使用教學(xué)圖3

A.d).Xpath提取

通過Xpath表達式來獲取數(shù)據(jù)，比如//div[@id=’content’]，

就是獲取id為content的div可指定要獲取html節(jié)點的屬性，

比如 Innerhtml、Outerhtml、Innertext、Href屬性。

（注意：這種有一定的局限性，對于部分html標簽不規(guī)范的頁面無法解析。）

A.e).JSON提取

通過對JSON形式的數(shù)據(jù)格式化操作，寫表達式來獲取其節(jié)點數(shù)據(jù)。