最近要搜集一些新闻语料，看论文发现一个叫GooSeeker的爬虫软件还不错，看了一天多的教程终于跑起来了，趁着这会在抓新浪新闻过来发篇blog。
这个爬虫是作为Firefox的插件出现的。一开始还觉得不够强大，后来一想着不正好把跨平台任务交给火狐去做了么，作者真是高明！我是在win7下跑的，linux没试过。
说说黑盒两端吧，我是爬新浪新闻，由这个列表进去再爬新闻内容，最后给出的是由新闻标题和文字内容组成的xml文件，xml很规整，便于下一步自己处理。
主要有两个部分组成吧MetaStudio和DataScraper。前者是定义抓取规则的，比较麻烦，主要时间再看这个。后者是抓取插件。
下边就流水讲怎样爬这个2级页面的吧
首先打开MetaStudio，将网址放进去，它自动加载进去。
新建一个主题
然后新建bucket，这里边的东西就是你要在该页面爬取得东西。
刚bucket里的信息属性添加映射。这里有数据映射和FreeFormat映射，前边就是字符对应了，后边这个是他家的特色菜。比较智能吧。
然后添加翻页线内线索Marker，就是控制你下一页下一页的
然后添加二级索引，就是给bucket里的超链接添加的，定义一个主题
然后上传到服务器
然后打开DataScraper开始爬这个列表页，等你觉得够了就退出就行，我现在还没弄懂怎么自动停止。
然后回到metaStudio，在里面识别你给二级索引建立的主题
然后他自动加载一个样本页面，你再选择要抓取那些内容
然后上传到服务器
然后然后打开DataScraper开始爬二级页面，记着要用多少页面就写多少索引
研究了一天半才大致弄清楚这个怎么个工作原理，然后才感觉这个软件写的好。真好。完全成了一个知识体系。看出制作团队功底很深。这种团队或个人早晚会发吧，或者人家已经发了。。。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
