2-1-知识储备

Cookie

Cookie是某些网站为了辨别用户身份在用户本地终端上的数据（通常经过加密），由用户计算机暂时或永久保存的信息。也就是如果我们能在打开网页时使用指定的Cookie，这样网页就能辨别我们的身份，从而避免了每次登陆网站需要登陆的问题。

2-2-微博数据抓取（登陆Cookie设置）

1-在八爪鱼页面打开微博的官网

网址：https://www.weibo.com/

2-切换至“浏览模式”

通过观察发现，想要搜索微博的相关信息需要先登陆微博的账号，我们先进入到浏览模式进行账号的登陆。

3-登录微博

进入浏览模式之后，会像进入微博网页版，点击右上角的登陆进入到微博账号的登陆界面。登陆完成后我们就进入到了全新的微博界面。

4-设置Cookie

首先，找到左边的流程图，设置打开网页的信息，设置获取当前Cookie，点击“使用指定的Cookie”后，点击“获取当前页面Cookie”。Cookie设置完成后，Cookie设置完成后，退出浏览模式进入到数据爬取规则设置阶段

5-输入关键词

点击微博的搜索按钮，会出现智能提示，选择==“点击该链接”==，跳转至搜索界面。

点击搜索框，选中“输入文本”，然后输入待搜索词；

选中左侧流程图的输入文本，勾选输入后按回车键，然后点击“应用“

6-自动识别网页，完成数据采集

使用自动识别网页功能对网页进行识别。识别完成后，默认采集了19个字段。如果字段有些不是我们想要的，可以将其删除。


字段设置完成以后，点击生成采集设置，就可以对微博的数据进行爬取了。
最后将任务修改名称后保存，可以在我的任务中找到设置的相应任务。

2-3-豆瓣图书数据抓取（翻页与循环）

豆瓣图书的网址：https://book.douban.com/tag/%E5%B0%8F%E8%AF%B4

1-登陆八爪鱼，进入豆瓣的采集页面

2-自动识别网页

使用自动识别网页的功能对豆瓣的数据进行采集

我们发现自动采集无法满足我们数据采集的相关需求，我们需要对豆瓣的每个链接点击进入，然后去采集打分的人数以及比例，比如小说《活着》，有607608个人评价，同时我们需要采集不同星的比例，那么如何操作呢？

有以下两种解决思路：

第一个是先采集各个书的链接，然后再依次打开各个书的链接进行数据采集

第二个是打开豆瓣的网站，然后点击第一个链接进入采集数据，然后返回到链接列表然后采集第二个链接。

接下来以第一个思路作为示例！

3-采集各个图书的链接

我们使用八爪鱼的自动识别功能对豆瓣网页进行识别。我们看到自动识别采集了11个字段，而我们只要书的名称以及链接这个2个字段，其它的都删除。

可以不删除嘛？也是可以的，不过需要注意的是，采集的字段越多，采集的速度越慢，减少采集的字段可以提升采集速度，因此将不需要的字段删除。

点击生成采集设置，点击保存并开始采集，点击启动本地采集。

4-循环打开各个网页采集相关信息

将前面收集到的数据导入到八爪鱼中。
1）点击”新建“，选中”自定义输入“

2）选择文件——选择工作簿——选择列——保存设置

2）选中”活着“，选择”采集该元素的文本“；其他元素类似。

5-点击采集开始对最终数据进行抓取

2-4-采集流程逻辑

1-八爪鱼的工作原理

模拟人的行为，通过内置Chrome浏览器浏览网页数据，所以采集数据的第一步永远是找到目标网址并输入。这跟通过普通浏览器访问网页完全一样。在普通浏览器中需要点击链接进入详情、点击翻页按钮查看更多数据，在八爪鱼中也需如此操作。

2-八爪鱼的流程逻辑

八爪鱼通过【采集流程】全自动采集数据。【采集流程】执行逻辑遵循2个原则：先从上至下、再由内而外
【采集流程】由【蓝色步骤】和【灰色框】两大部分组成。【蓝色步骤】是会执行的步骤，八爪鱼与网页发生互动。【灰色框】起记录网页的作用。

案例1

案例2

案例3

2-5-思考

1.抓取的微博数据算不算是个人隐私数据，在使用中需要注意什么？

属于个人隐私数据，在使用过程中注意隐藏个人信息，避免信息泄露。

2.设置Cookie登陆的优势是什么？Cookie在手机和电脑使用中体现在哪些方面？

指定Cookie后，网页就能辨别我们的身份，从而避免了每次登陆网站需要登陆的问题。

3.豆瓣图书数据采集中选择第一个思路的优势是什么？选择第二个思路的优势是什么？

参考链接：https://www.bazhuayu.com/tutorial8/81xsrm9

参考资料

team-learning-program/2.自动识别初体验.md at master · datawhalechina/team-learning-program (github.com)