网络爬虫火车浏览器的文件操作

作者：dong 发布于：2016-5-17 14:20 Tuesday 分类：官方公告

火车浏览器软件可以对文件进行一系列操作，比如保存内容、读取和删除文本、创建目录等，下面就对网络爬虫火车浏览器的文件操作部分进行讲解一下：
1、保存文本：保存内容到文本
    文本型变量中的值保存到文本中时，可以自定义内容格式模板以及分割方式，需要注意的是文件保存地址需要写成完整的路径，并且写出保存文本的名称。路径可以调用[软件运行目录],也可以直接写出绝对路径。
写入方式及编码需注意：
（1）若保存的文件为乱码，请更改文件编码。
（2）保存不同的变量类型，请保存不同的选项。
（3）追加文本以及覆盖文本的含义不同，请注意区分。追加文本是说原有的数据保存的基础上，再在原有的数据下面添加新的数据。覆盖文本的意思是将新的数据覆盖原有的数据，只保留新的数据。


2、文件操作的用法
（1）读取文本中的内容保存到变量中
    若文本中的内容是一条内容，比如是一篇文章，就直接保存至文本型变量即可，不要勾选“保存至list变量”；若文本中的内容有多条，比如有多个账号信息，并且每条账号之间用固定的分割方式分割，则选择或自定义相应的分割方式，并勾选保存至list变量，将文本中的内容保存至一个list变量中（不可勾选只读）。
注意:若是读取的数据保存至变量后，内容乱码，请更换文件编码。
（2）删除文本
    可删除用户指定路径下的文本。
（3）是否存在
    若是文件存在则返回1，不存在则返回0，结合条件判断后可以再做一系列的后续操作。
3、目录操作的用法

    用户可以选择不同的操作类型，进行创建、读取以及删除目录等操作。

    网络爬虫火车浏览器的文件操作内容大致如上所述，掌握火车浏览器可以帮助我们快速地完成采集或是群发等web操作，为我们的工作和生活带来极大便利！

评论(0) 引用(0) 浏览(4368)

网站抓取精灵火车采集器如何获取内容网址

作者：dong 发布于：2016-5-16 16:13 Monday 分类：官方公告 

  我们在使用网站抓取精灵​做采集时，往往需要先从网页的初始网址开始获取内容页网址，那么火车采集器进入列表页后，如何进一步获取内容网址呢，下面就请新手们一起来看看内容页网址采集规则如何制作。
    在火车采集器V9中，内容网址获取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。它有两种方式：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。
    这里详细说明下常规模式中a和b两种方式采集的具体操作，高级模式待后续讲解。
[常规模式]a.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：




规则1.png


    根据统计我们可以看到，发现共计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，说明其中有我们不需要的链接，所以我们可以通过区域设置和链接过滤，来筛选获取我们所需要的链接。用浏览器点击查看网页源代码，分析源码得出，所需链接应符合以下条件：

开始字符串为<ul> 

结尾字符串为 <!-- 分页 begin -->


    我们将其填入设置区域，再进行测试一次，并查看结果。通过测试可以看出结果是正确的，如下图。


规则2.png


规则3.png




[常规模式]b.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。手动设置规则获取的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，而区别在于[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。 如下填写提取规则：


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


规则4.png


 如上图，这样符合该格式的源码就会进行自动匹配，参数中获取到的就是内容页地址链接，标签中就分布是标题和时间了。


    到这里，网站抓取精灵火车采集器V9获取内容网址的常规模式设置就完成了，大家只要看过就会觉得比较简单，火车采集器V9软件需要大家多学习，这样上手就会非常容易了。

标签: 火车采集器V9 网站抓取精灵

评论(0) 引用(0) 浏览(5374)

火车采集器V7V8版本无法登录的解决办法

作者：小文 发布于：2016-5-12 23:28 Thursday 分类：官方公告

非常抱歉，因为原V7V8版本验证服务器失效和故障，部分朋友无法登录软件。出现这种情况，请下载本文附件包，解压其中对应版本中的文件，替换掉System文件夹中对应文件，然后重新登录即可。点击下载更新包。

火车采集器官方网站上所有完整包也更新完成，可以下载使用。

标签: 登录

评论(4) 引用(0) 浏览(9916)

网页图片采集器FTP/SFTP文件上传

作者：dong 发布于：2016-5-11 14:42 Wednesday 分类：官方公告 

 
   我们在使用网页图片采集器的过程中，有时还需要将采集到的图片文件上传，以火车采集器V9为例，为大家讲解FTP/SFTP文件上传功能。在火车采集器V9中，此项功能包含不上传，使用FTP上传，使用SSH上传三种模式。用户填写服务器、用户名、密码、端口、文件上传根目录等信息即可。

    下面具体讲解：如何设置FTP文件上传根目录和文件下载路径？我们以采集 http://www.22mm.cc/mm/jingyan/gbijcced_lelja.html为例，采集并下载它的图片然后通过ftp设置上传。

（1）采集到图片并下载

    据处理--文件下载--勾选下载图片，其他不做任何设置。

1.png

下载如下：

2.png

（2）分析图片格式，设置文件保存目录，文件保存格式，文件链接地址前缀

    此时需要您在您的网站上正常手工发布一条包含图片的数据，看下图片格式。例如其中图片路径是：http://www.locoy.com/images/201510/1.jpg

下面我们来将其拆分为 头+中+尾 三部分

头： http://www.locoy.com/ 是网站域名；
中： images/201510/ 是文件路径，201510是年月的意思
尾： 1.jpg 是文件名和后缀

所以：       

其他设置--文件图片下载--文件链接地址前缀：设置为 http://www.locoy.com/
内容采集规则--数据处理--文件下载--文件保存目录：设置为 images/201510/
内容采集规则--数据处理--文件下载--文件保存格式：设置为 [原文件名]或者[自增ID]等等自定义文件名

如下图：

3.png

此时我们需要在绿色字体前加 \ 做转义，年月做替换，故是下图设置效果：

4.png

（3）确定FTP的路径

用其他专业的FTP工具看我们的图片存储路径，比如显示为 /www/locoy/images/201510/ 那么

5.png

那么采集器FTP文件上传根目录，这里写成这样/www/locoy/就OK 了，如下图:

6.png

 

不要重复的把/images/201510/ 写上，因为在内容采集规则--数据处理--文件下载--文件保存目录设置里，我们已经定义了路径，软件会自动创建对应文件夹，并识别发布，所以大家不要写重复了。

（4）测试看效果

设置完成后，我们测试看下效果：

7.png

这样就说明设置好了，FTP上传测试需要正式运行规则时生效。网页图片采集器火车采集器V9的FTP文件上传功能稳定性很好，可断点续传，比较适合上传大文件或一次上传很多文件，值得大家学习使用。


标签: 火车采集器V9 网页图片采集器

评论(0) 引用(0) 浏览(8890)

网页抓取工具火车采集器发布模块制作示例

作者：dong 发布于：2016-5-3 16:03 Tuesday 分类：官方公告

    何为WEB发布模块？即在使用火车采集器V9​时将用户手动在网站后台发布内容的整个过程包含登录网站后台，选择栏目，以及发布文章等步骤写入火车采集器V9，由火车采集器来模拟，实现自动发布的功能，这就是WEB发布模块。然后规则采集到的值就通过标签名传递给在线发布模块，把数据提交到网站里去。这里以dedecms的文章发布为例做讲解，下面为操作示例：

一、点击web发布配置——新建模块

1.png

上图中的菜单分别为：

网站自动登录：设置网站登录信息的数据

获取栏目列表：设置发布的栏目列表
网页随机获取：设置post数据内的随机值
内容发布参数：设置发布页面POST数据包
高级功能：文件上传设置以及数据构造

二、“WEB发布设置界面”和 “内容发布参数” 设置

我们在发布页面填写好需要发布的字段值（先不要点击发布），然后打开fiddler(注意，如果有较乱的数据流，请先Ctrl+X 清空数据流)

如图，填写标题、来源、选择栏目、内容 ：

2.pngCtrl+X 清空数据流后的fiddler:

3.png

此时点击发布，分析fiddler里的数据包，将fiddler点击 ①➯ ② ，依次点击数据流列表⑤ 找到POST类型的数据流⑥， 

然后点击⑦ 以文本的形式查看

4.png

数据包贴出如下：

POST http://127.0.0.1:801/dede/dede/article_add.php HTTP/1.1
Host: 127.0.0.1:801
Connection: keep-alive
Content-Length: 3571
Cache-Control: max-age=0
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8
Origin: http://127.0.0.1:801
User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 
(KHTML, like Gecko) Chrome/43.0.2357.124 Safari/537.36
Content-Type: multipart/form-data; boundary=----WebKitFormBoundary6EWX666GAXOVqWCE
Referer: http://127.0.0.1:801/dede/dede/article_add.php?channelid=1&cid=0
Accept-Encoding: gzip, deflate
Accept-Language: zh-CN,zh;q=0.8
Cookie: menuitems=1_1%2C2_1%2C3_1; PHPSESSID=f21a42f70199c81955f3219623343735; 
DedeUserID=1; DedeUserID__ckMd5=91a12e3e1eae3a4d; DedeLoginTime=1444806848;
 DedeLoginTime__ckMd5=65d5fa4845a7ec00; 
 ENV_GOBACK_URL=%2Fdede%2Fdede%2Fcontent_list.php%3Fchannelid%3D1
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="channelid"
 
1
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="dopost"
 
save
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="title"
 
11111
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="shorttitle"
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="redirecturl"
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="tags"
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="weight"
 
99
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="picname"
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="litpic"; filename=""
Content-Type: application/octet-stream
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="source"
 
22222
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="writer"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="typeid"
 
2
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="typeid2"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="keywords"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="autokey"
 
1
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="description"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="dede_addonfields"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="remote"
 
1
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="autolitpic"
 
1
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="needwatermark"
 
1
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="sptype"
 
hand
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="spsize"
 
5
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="body"
 
222222222222222
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="voteid"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="notpost"
 
0
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="click"
 
137
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="sortup"
 
0
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="color"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="arcrank"
 
0
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="money"
 
0
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="pubdate"
 
2015-10-14 15:16:06
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="ishtml"
 
1
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="filename"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="templet"
 
 
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="imageField.x"
 
37
------WebKitFormBoundary6EWX666GAXOVqWCE
Content-Disposition: form-data; name="imageField.y"
 
18
------WebKitFormBoundary6EWX666GAXOVqWCE--

三、设置WEB发布配置界面

根据上面的数据包得出： 网站编码是：utf-8 （可以在您的网站右击查看源代码，查找charset字段值，具体看编码）
网站地址是： http://127.0.0.1:801/dede （网站地址可以根据POST 和Referer字段自定义，一般我们用网站域名做网站地址，

也可以找其他的2个设置的共同部分做网站地址。 ）
cookie是：menuitems=1_1%2C2_1%2C3_1; PHPSESSID=f21a42f70199c81955f3219623343735; DedeUserID=1; DedeUserID__ckMd5=91a12e3e1eae3a4d; DedeLoginTime=1444806848; DedeLoginTime__ckMd5=65d5fa4845a7ec00; ENV_GOBACK_URL=%2Fdede%2Fdede%2Fcontent_list.php%3Fchannelid%3D1

user-agent是： Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.2357.124 Safari/537.36

5.png

四、设置 “内容发布参数”

 

如下图

6.png

然后我们把发布POST数据里的值替换成标签。双击选中表单值，然后鼠标悬停在标签按钮上，对应选择要替换成的标签名即可，

可选系统标签，常用标签，时间标签。如下图替换的效果：

7.png

标题，来源，内容，时间 很方便确认识别。

在这里给大家讲解下“[分类ID]” 系统标签。

此标签是用于接下来我们的获取栏目列表设置做铺垫的。

那么如何确定 哪个表单名 就是 [分类ID]呢？

可以按如下图的方法，就很简单的知道，typeid 就是我们要找的 [分类ID]，给对应替换即可。

8.png 五、确定“获取栏目列表” 设置

首先要确定我们的选择栏目列表是在哪个页面？一般有两种情况：

A.最常见的一种，栏目选择就是在发布内容页面里，类似我们演示的DEDE文章发布。B.特殊的情况，在其它页面下，不在发布内容页面。

在这里我们讲解A种情况，把“内容发布参数” 下的来源页面后缀的设置，拿过来直接使用即可。放入到“获取栏目列表”

下的发表地址后缀，和来源页面后缀中。然后再查看发布页面的源代码，找到刷新列表部分的源码，

确定栏目列表的开始和结束代码，以及格式。

9.png

ID 用[分类ID]替换 
栏目名称用 [分类名称]替换
不规则出现的代码 用 (*)通配符匹配


设置如图：

 

11.png


可以发布，说明我们的 “内容发布参数” 设置没问题。
现在我们保存发布模块，大概测试下发布效果，可以刷新列表，说明“获取栏目列表”的设置没有问题。 

12.png

六、完善模块

成功，失败标识码：

可以看到在网站发布正常的内容，和发布失败的内容（比如不填写标题，不选择栏目）看看分别的提示，

然后写入模块设置，多个提示一行一个。 

高级功能：

13.png 可以看到我们此模块有个 LITPIC 表单名字段，这是我们在“内容发布参数” 的黏贴POST数据时，自动提取的设置。

在这里，我们可以自定义修改标签名，如设置为缩略图。

文件上传设置里的标签，文件上传不需要设置FTP，只要下载到本地就可以实现自动上传操作。

14.png

网站自动登录：

之前我们做的发布是在登录方式为内置浏览器的原理基础上获取cookie和User-agent 来做发布的。

我们也可以用数据包登录的方式来设置。其设置原理和“内容发布参数”是一样的，

用fiddler工具抓取登录后台那一瞬间的POST数据包。

POST http://127.0.0.1:801/dede/dede/login.php HTTP/1.1
Host: 127.0.0.1:801
Connection: keep-alive
Content-Length: 112
Cache-Control: max-age=0
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8
Origin: http://127.0.0.1:801
User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 
(KHTML, like Gecko) Chrome/43.0.2357.124 Safari/537.36
Content-Type: application/x-www-form-urlencoded
Referer: http://127.0.0.1:801/dede/dede/login.php?gotopage=%2Fdede%2Fdede%2Findex.php
Accept-Encoding: gzip, deflate
Accept-Language: zh-CN,zh;q=0.8
Cookie: menuitems=1_1%2C2_1%2C3_1; PHPSESSID=f21a42f70199c81955f3219623343735;
 ENV_GOBACK_URL=%2Fdede%2Fdede%2Fcontent_list.php%3Fchannelid%3D1
 
gotopage=%2Fdede%2Fdede%2Findex.php&dopost=login&adminstyle=newdedecms&userid=admin&pwd=admin&validate=lcmt&sm1=

设置如下：

15.png

测试效果：

16.png

到这里就基本ok了，这样模块用内置浏览器登录或数据包登录都可以支持，一个完整的发布模块就完成了，如有疑问可以访问网页抓取工具火车采集器V9的官方网站（www.locoy.com）了解或咨询官方客服。


标签: 网页抓取工具 火车采集器V9

评论(0) 引用(0) 浏览(10798)

Powered by emlog