Python自动搜索关键词采集信息—以京东为例！
一、操作步骤
如果网页上有搜索框，但是搜索结果页面没有独立网址，想要采集搜索结果，直接做规则是采集不到的，要先做连续动作（输入+点击）来实现自动输入关键词并搜索，然后才能采集数据。下面用京东搜索为例，演示自动搜索采集，操作步骤如下：
二、案例规则+操作步骤
第一级采集规则：连续动作_京东搜索
第二级采集规则：京东空调列表
样本网址： https://list.jd.com/list.html?cat=737,794,870
采集内容：京东商品的名称、价格、链接
注意：本案例京东搜索是有独立网址的，对于具有独立网址的页面，最简单的方法就是构造出每个关键词的搜索网址，然后把线索网址导入到规则里，就可以批量采集，而不是设置连续动作
第一步：定义第一级规则
1.1打开集搜客网络爬虫，输入网址并Enter，加载出网页后再点击“定义规则”按钮，看到一个浮窗显示出来，称为工作台，在上面定义规则；
注意：这里的截图和文字说明都是集搜客网络爬虫版本，如果您安装的是火狐插件版，那么就没有“定义规则”按钮，而是应该运行MS谋数台
1.2在工作台中输入一级规则的主题名，再点击“查重”，提示“该名可以使用”或“该名已被占用，可编辑：是”，就可以使用这个主题名，否则请重命名。
1.3本级规则主要是设置连续动作，所以，整理箱可以随意抓取一个信息，用来给爬虫判断是否执行采集。双击网页上的信息，输入标签名，并打勾确认，再勾上关键内容，首次标注还要输入整理箱的名字，然后就完成标注映射了。
Tips：为了能准确定位网页信息，点击定义规则会把整个网页定格住，不能跳转网页链接，再次点击定义规则，才会恢复回普通的网页模式。
第二步：定义连续动作
点击工作台的“连续动作”页签，点击新建按钮建立一个新动作，每个动作的设置方法都是一样，基本操作如下：
2.1 ，输入目标主题名
这里的目标主题名是填第二级主题名，点击“谁在用”查看目标主题名是否可用，如果已经被占用，换一个主题名就行
2.2， 创建第一个动作：输入
新建一个动作，并选择动作类型为输入。
2.２.1，填写定位表达式
首先鼠标单击输入框，定位输入框的节点，然后点击“自动生成XPath”按钮，可以选择“偏好id”或者“偏好class”，就可以得到输入框的xpath表达式，再点击“搜索”按钮，检查一下这个xpath是否能唯一定位到输入框，没有问题就把xpath复制到定位表达式方框里。
注意：定位表达式里的xpath是要锁定动作对象的整个有效操作范围，具体就是指鼠标能够点击或输入成功的网页模块，不要定位到最底层的text()节点。
2.2.2，输入关键词
输入关键词填写你想搜索的关键词，可以输入一个关键词，也可以输入多个关键词，输入多个关键词要用双分号;;将每个关键词隔开，免费版只支持5个以内的关键词，旗舰版可以使用连发弹仓功能，支持1万以内的关键词
2.2.3，输入动作名称
告诉自己这一步动作是用来干嘛的，方便以后修改。
2.3，创建第二个动作：点击
参考2.2的操作，创建第二个动作，选择类型为点击，定位到搜索按钮，然后自动生成xpath，检验是否锁定到唯一节点，没问题的话填到定位表达式里就行了。
2.4，存规则
点击“存规则”按钮保存已完成的第一级规则
第三步：定义第二级规则
3.1，新建规则
创建第二级规则，点击“定义规则”恢复到普通网页模式，输入关键词搜索出结果后，再次点击“定义规则”切换到做规则模式，点击左上角“规则”菜单->“新建”，输入主题名，这里的主题名就是第一级规则的连续动作里填写的目标主题名。
3.2，标注想要采集的信息
3.2.1，标注网页上想要采集的信息，这里是对商品名称和价格做标注，因为标注只对文本信息有效，商品详情的链接是属性节点@href，所以，不能对链接做这样的直观标注，而要做内容映射，具体看下面的操作。
3.2.2，点击商品名称，下面的DOM节点定位到A标签，展开A标签下的attributes节点，就可以找到代表网址的@href节点，右击节点，选择“新建抓取内容“，输入一个名字，一般给这个抓取内容起一个和地址有关的名字，比如“下级网址“，或者”下级链接“等等。然后在工作台上，看到这个抓取内容有了。如果还要进入商品详情页采集，就要对着这个抓取内容勾选下级线索，做层级抓取。
3.2.3，设置“关键内容”选项，这样爬虫才能判断出采集规则是否合适。在整理箱里选一个网页上必然能采到的标签，勾上“关键内容”。这里选择的是“名称”做为“关键内容”。
3.2.4，前面只对一个商品做标注，也就能得到一个商品信息，如果想把一整页上每一个商品都采集下来，可以做样例复制，不懂的请参考基础教程《采集列表数据》
3.3，设置翻页路线
在爬虫路线设置翻页，这里用的是记号线索，不懂的请参考基础教程《设置翻页采集》
3.4，存规则
点击“测试”，检查信息完整性。不完整的话，重新标注就可以覆盖之前的内容。检查没问题后点击“存规则”。
第四步：抓数据
4.1，连续动作是连续执行的，所以只要运行第一级主题，第二级主题不用运行。打开DS打数机，搜索出第一级主题名，点击“单搜”或“集搜”，此时可以看到浏览器窗口里会自动输入关键词并且搜索，然后调用第二级主题自动采集搜索结果。
4.2，第一级主题没采到有意义的信息，所以，我们只看第二级主题的文件夹，就能看到采集的搜索结果数据，并且搜索的关键词是默认记录在xml文件的actionvalue字段中，这样就能一一对应起来。
- 发表于:
- 原文链接：https://kuaibao.qq.com/s/20190827A0FAMY00?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
