在日常工作和學(xué)習(xí)中，對一些有價值的文章進行采集可以幫助我們提高對信息的利用率和整合率，對于新聞、學(xué)術(shù)論文等類型的電子文章，我們可以采用網(wǎng)頁抓取工具進行采集，這類采集相對一些數(shù)字化的非規(guī)律性的數(shù)據(jù)還是較為容易的，這里以網(wǎng)頁抓取工具火車采集器V9為例，講解一個文章采集的實例以供大家學(xué)習(xí)。
熟悉火車采集器的朋友都知道，通過官網(wǎng)的FAQ可以檢索采集過程中遇到的問題，那么這里我們就以采集faq為例來說明網(wǎng)頁抓取工具采集的原理和過程。
本例以 http://faq.locoy.com/qc-12.html 演示地址。
（1）新建個采集規(guī)則
選擇一個分組上右擊，選擇“新建任務(wù)”，如下圖：
（2）添加起始網(wǎng)址
在這里假設(shè)我們需要采集 5頁數(shù)據(jù)。
分析網(wǎng)址變量規(guī)律
第一頁地址：http://faq.locoy.com/qc-12.html?p=1
第二頁地址：http://faq.locoy.com/qc-12.html?p=2
第三頁地址：http://faq.locoy.com/qc-12.html?p=3
由此我們可以推算出p=后的數(shù)字就是分頁的意思，我們用[地址參數(shù)]表示：
所以設(shè)置如下:
地址格式：把變化的分頁數(shù)字用[地址參數(shù)]表示。
數(shù)字變化：從1開始，即第一頁；每次遞增1，即每次分頁的變化規(guī)律數(shù)字； 共5項，即一共采集5頁。
預(yù)覽：采集器會按照上面設(shè)置的生成一部分網(wǎng)址，讓你來判讀添加的是否正確。
然后確定即可
（3）[常規(guī)模式]獲取內(nèi)容網(wǎng)址
常規(guī)模式：該模式默認(rèn)抓取一級地址，即從起始頁源代碼中獲取到內(nèi)容頁A鏈接。
在這里給大家演示用 自動獲取地址鏈接 +設(shè)置區(qū)域 的 方式來獲取。
查看頁面源代碼找到文章地址所在的區(qū)域：
設(shè)置如下：
注：更詳細的分析說明可以參考本手冊：
操作指南 > 軟件操作 > 網(wǎng)址采集規(guī)則 > 獲取內(nèi)容網(wǎng)址
點擊網(wǎng)址采集測試，看看測試效果
（3）內(nèi)容采集網(wǎng)址
以 http://faq.locoy.com/q-1184.html 為例講解標(biāo)簽采集
注：更詳細的分析說明可以參考本手冊
操作指南 > 軟件操作 > 內(nèi)容采集規(guī)則 > 標(biāo)簽編輯
我們首先查看它的頁面源代碼，找到我們“標(biāo)題”所在位置的代碼：
<title>導(dǎo)入Excle是跳出對話框~打開Excle出錯 - 火車采集器幫助中心</title>
分析得出： 開頭字符串為：<title>
結(jié)尾字符串為：</title>
數(shù)據(jù)處理——內(nèi)容替換/排除：需要把- 火車采集器幫助中心 給替換為空
內(nèi)容標(biāo)簽的設(shè)置原理也是類似的，找到內(nèi)容所在源碼中的位置
分析得出： 開頭字符串為：<div id="cmsContent">
結(jié)尾字符串為：</div>
數(shù)據(jù)處理——HTML標(biāo)簽排除：把不需要的A鏈接等 過濾
再設(shè)置個“來源”字段
這樣一個簡單的文章采集規(guī)則就做好了，不知道網(wǎng)友們學(xué)會了沒有呢，網(wǎng)頁抓取工具顧名思義是適用于網(wǎng)頁上的數(shù)據(jù)抓取，從上面的例子大家也可以看出，這類軟件主要是通過源代碼分析才解析數(shù)據(jù)的。這里還有一些情況是沒有列出的，比如登錄采集，使用代理采集等，如果對網(wǎng)頁抓取工具感興趣的可以登錄采集器官網(wǎng)自行學(xué)習(xí)一下。
