【雪球】热帖评论采集

2022-06-10  采集场景 打开雪球网 https://xueqiu.com/，页面显示雪球热帖列表，点击每一个帖子的标题可进入详情页，查看并采集详情页里面的数据内容。   采集字段 帖子作者、标题、文章内容、发布时间、评论数、评论者、评论内容、评论时间等。   *点击查看高清大图，*下文其他图片同理     采集结果 采集结果可导出为Excel、CSV、HTML、数据库等多种格式。导出为Excel示例：     教程说明 本篇制作时间：2022/6/10  八爪鱼版本：V8.5.2 如果因网页改版造成网址或步骤无效，无法收集到目标数据，请联系官方客服，我们将及时修正。   采集步骤 步骤一：打开网页 步骤二、设置页面滚动和【点击加载更多】 步骤三、创建【循环列表】 步骤四、采集详情页的文章标题、正文等字段 步骤五、创建评论部分的【循环列表】，采集全部评论内容、评论者等字段 步骤六、编辑字段 步骤七、设置执行前等待 步骤八、启动采集     以下为具体步骤：  

​

步骤一、打开网页

  在首页【输入框】中输入目标网址https://xueqiu.com/，点击【开始采集】，八爪鱼自动打开网页。   特别说明：

• a. 打开网页后，如果开始开始【自动识别】，请点击【不再自动识别】或【取消识别】将其关掉。因为本文不适合使用【自动识别】。
• b. 【自动识别】适用于自动识别网页上的列表、滚动和翻页，识别成功后直接启动采集即可获取数据。详情点击查看 【自动识别】教程

 

​

步骤二、设置页面滚动和【点击加载更多】

  打开雪球网网页后，我们观察发现，页面默认只显示部分帖子，向下滚动页面到底部才能加载出更多帖子列表。 且滚动一定次数后（测试滚动10次左右，具体以大家操作时需要的滚动次数为准）出现【加载更多】按钮，随后需要点击【加载更多】按钮，继续加载新的帖子列表。 在八爪鱼中也需要进行相同的设置。   1、设置页面滚动 进入【打开网页】设置页面，点开【页面加载后】，设置【页面加载后向下滚动】，滚动方式为【向下滚动一屏】，【滚动次数】为20次，【每次间隔】2秒 并保存。   特别说明：

• a. 设置中的滚动次数和时间间隔，请根据采集需求和网页加载情况进行设置，并非是一成不变的，具体请点击查看 处理滚动加载数据的网页教程

  2、设置点击【加载更多】 ① 手动向下滚动页面，直至【加载更多】按钮出现 ② 点击【加载更多】按钮，在黄色操作提示框中，选择【循环点击单个链接】。 ③ 进入【循环翻页】设置页面，点开【退出循环设置】，把循环执行次数设为4次（我们需要设置一个合适的次数，可根据需要采集的数据量灵活调整）。 ④ 进入【点击翻页】设置页面，点开【页面加载后】，设置【页面加载后向下滚动】，滚动方式为【滚动到底部】，【滚动次数】为5次，【每次间隔】2秒 。   特别说明：

• a. 为什么通过【加载更多】进行翻页的网页，需设置一个合适的翻页次数？通过一定次数的【加载更多】翻页后，页面上展示出非常多的标题列表。这些列表同在一个页面，采集的时候都会被定位到。如果同时定位的列表过多，采集速度会变慢，影响数据的正常采集。设置一个合理的翻页次数，可以控制同时定位到的列表，保障数据采集正常进行。
• b. 设置中的滚动次数和时间间隔，请根据采集需求和网页加载情况进行设置，并非是一成不变的，具体请点击查看 处理滚动加载数据的网页教程

 

​

步骤三、创建【循环列表】

  1、创建【循环-点击元素】，点击进入每个帖子详情页 通过以下连续3步，实现循环点击每个链接，进入详情页： ① 选中页面上第1条帖子链接（此网页比较特殊，选中一大块范围也是链接） ② 再选中页面上另一条帖子链接 ③ 点击【循环点击每个链接】，进入第1条帖子的详情页   2、调整流程 又由于这个网页比较特殊，需要先点击【加载更多】，完成翻页后才能提取数据，所以需要将整个【循环列表】拖入到【循环翻页】之后。 然后点击流程中的【点击元素】步骤，进入第1条帖子的详情页。    

​

步骤四、采集详情页的文章标题、正文等字段

  选中页面中的文本，然后在操作提示框中，点击【采集该元素文本】。 文本类字段都可以按照这样的方式提取。示例中我们提取了文章标题、作者、发布时间、正文等字段。  

​

步骤五、创建评论部分的【循环列表】，采集全部评论内容、评论者等字段

  一篇帖子内可能有多条评论，通过以下几步，采集文章内的所有评论者和评论内容：   ① 选中一个评论者名称 ② 在黄色操作提示框中，选择【选中全部】 ③ 选择【采集以下链接文本】 注意：如果还需要采集其他字段，则在当前列表中继续提取即可（在页面中以红框框起来），无需再新建循环。   特别说明：

• a. 评论列表有可能不止一页，如需采集多页评论内容，可添加翻页步骤，具体操作参考教程实现翻页。

 

​

步骤六、编辑字段

  执行完前面的步骤，采集框架已经完成啦！我们需要在这个基础上进一步优化。   1、修改字段名称 进入【提取数据】设置页面，修改字段名称。   2、修改字段XPath 上述操作中，每个字段的XPath都是系统默认生成的，定位不一定准确，根据实际情况我们可能需要手动修改。 将【发布时间】的XPath修改为：//A[contains(@class,“time”)]  将【正文内容】的XPath修改为：//ARTICLE[@class=“article__bd”] 将【正文内容】的XPath修改为：//span[@class=“time”]   特别说明：

• a. XPath是什么？怎么写？需要系统学习XPath知识，点击查看 XPath学习与实例教程 。
• b. 评论部分字段的修改方式是一样的，修改后的XPath为：

【评论者】：//div/a[@class=“user-name”] 【评论内容】：//div[@class=“comment__item__main”]/*[not(@class=“comment__item__main__hd”)]  

​

步骤七、设置执行前等待

  为防止网页跳转太快采集不到数据，我们需要设置执行前等待： 几乎每个步骤都可以设置执行前等待，但是如果设置过多，会影响采集速度，请酌情设置。  

​

步骤八、启动采集

  1、单击【采集】并【启动本地采集】。启动后八爪鱼开始自动采集数据。   特别说明：

• a. 【本地采集】是使用自己的电脑进行采集，【云采集】是使用八爪鱼提供的云服务器采集，点击查看 本地采集与云采集详解。

  2、采集完成后，选择合适的导出方式来导出数据。支持导出为Excel，CSV，HTML，数据库等。这里导出为Excel。数据示例：      作者：Tom  编辑：Aisling