> ## Documentation Index
> Fetch the complete documentation index at: https://www.bazhuayu.com/docs/llms.txt
> Use this file to discover all available pages before exploring further.
# 【豆瓣】图书评论采集
**采集场景**
在豆瓣读书短评页面 [https://book.douban.com/subject/4011670/comments/](https://book.douban.com/subject/4011670/comments/) ， 采集图书评论信息。
**采集字段**
作品名、有用数、评论时间、评论内容、星级、当前时间、页面网址
**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：2024/6/25 八爪鱼版本：V8.7.0
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、创建【循环列表】，采集所有图书评论列表中的数据
步骤三、编辑字段
步骤四、格式化数据
步骤五、创建【循环翻页】，采集多页数据
步骤六、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://book.douban.com/subject/4011670/comments/](https://book.douban.com/subject/4011670/comments/) ，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】，请等待自动识别完成。八爪鱼支持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并获取数据。如果【自动识别】的结果不是我们需要的，可点击【取消】关闭智能识别，自行配置采集流程。详情点击查看[【自动识别】](/docs/zh/academy/basic-collection/beginner/custom-collection)
* b. 示例中输入的的是单个网址 [https://book.douban.com/subject/4011670/comments/](https://book.douban.com/subject/4011670/comments/) ，大家可根据需求进行更换，结构与示例网址相同即可。如果需要批量采集网址，点击查看 [批量采集同类网页（URL）教程](/docs/zh/academy/basic-collection/bulk-input/url-loop-similar-pages)
### 步骤二、创建【循环列表】
1、通过以下连续4步，采集所有图书评论列表中的数据
①、选中页面上1个评论列表（注意一定要选中整个列表，包含所有所需字段）
②、在黄色操作提示框中，点击【选中全部子元素】
③、点击【选择全部子元素】
④、点击【元素中数据内容】
特别说明：
* a. 经过以上连续4步，【循环-提取数据】创建完成。【循环】中的项，对应着页面上所有图书评论列表，【提取数据】中的字段，对应着每个图书评论列表中的字段。启动采集以后，八爪鱼就会按照循环中的顺序依次提取每个列表中的字段。
* b. 为何通过以上4步，可建立【循环-提取数据】？详情点击查看 [列表数据采集教程 ](/docs/zh/academy/basic-collection/beginner/list-collection)。
### 步骤三、编辑字段
1、在【当前页面数据预览】面板中，删除不需要的字段，同时修改字段名称。
2、添加更多字段
默认提取的是评价中的字段。其他字段，如：作品名、星级、采集时间、页面网址等，需手动添加。
【作品名】：选中作品名， 在操作提示框中，点击【文本内容】。
添加作品名后，把作品名字段移动到字段最左边，这样字段的显示顺序就变成了作品名在最前面。
【星级】：选中星级， 在操作提示框中，点击【Outer Html】。
【当前时间】：在【当前页面数据预览】面板中，点击【+】→ 【添加采集时间】。
【页面网址】：在【当前页面数据预览】面板中，点击【+】→ 【添加当前网页信息】 →【网址】。
### 步骤四、格式化数据
1、去除【作品名】字段中的【短评】文字
提取作品名时，都会带上【短评】2字。如果不想带有【短评】2字，请按以下步骤操作：
点击【作品名】字段后的 ... 按钮 → 【格式化数据】→【添加步骤】→【替换】，将【短评】替换为【空】，然后保存设置。
2、 【星级】字段格式化
在步骤三中，将【星级】字段对应的源码提取下来。但是源码中有许多无效信息，如果需要精准将【星级】提取出来：
点击【星级】字段后的 ... 按钮 → 【格式化数据】→【添加步骤】→【正则表达式匹配】→ 匹配user-stars 和rating之间的数据→【确定】，得到【allstar50】，即评分为50。
> 特别说明：
>
> * a. 什么是数据格式化？数据采集下来之后，有时候格式不是我们想要的，或者只想从一段数据里提取特定数据，可通过八爪鱼的【格式化数据】功能实现。详情点击查看 [数据格式化教程](https://www.bazhuayu.com/helpcenter/docs/ohUzyg) 。
>
> * b. 正则表达式是什么？怎么写？正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，用来从文本中匹配/过滤信息。正则表达式有其特定写法，需要系统学习才能掌握，点击查看 [正则表达式 教程](https://www.bazhuayu.com/helpcenter/docs/43CIS3) 。
### 步骤五、创建【循环翻页】
1、建立【循环翻页】
如果只是采集一页数据，可跳过此步骤。
如果需要翻页以采集多页数据：选择页面中的【后页】按钮，在操作提示上单击【循环点击单个链接】，创建【循环翻页】。
特别说明：
* a. 创建【循环翻页】后，八爪鱼会自动点击【下一页】按钮进行翻页，从第1页，第2页......直到最后1页。如果只需采集特定页的数据，可在八爪鱼中设置循环翻页的次数，详情点击查看 [翻页以采集多页数据教程](/docs/zh/academy/basic-collection/pagination/next-page-button)。
2、修改【循环翻页】的XPath
默认的【循环翻页】XPath会在第二页重复翻页，不断采集第一页的内容，需修改【循环翻页】XPath。
进入【循环翻页】设置页面，修改XPath为：//a\[@data-page="next"]\[contains(text(),'后页')]。
特别说明：
* a. 为什么重复翻页？这是因为【循环翻页】默认生成的XPath，不仅可以定位到【下一页】的按钮，还能同时定位到【上一页】或者【首页】等，导致不断重复提取某页或某几页内容，因此我们需要修改翻页按钮的XPATH。这里需要一定的XPath知识。点击查看 [XPath学习与实例教程](https://www.bazhuayu.com/helpcenter/docs/V2h1Ec) 。
### 步骤六、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](https://www.bazhuayu.com/helpcenter/docs/2xF5Mz)。
2、采集完成后，选择合适的导出方式导出数据。支持导出为Excel、CSV、HTML、数据库等。这里导出为Excel。
作者：妙卡