建站之路028火车头采集器抓取网页文章

1、百度搜索下载火车头采集器，然后运行LocoyPlatform.exe程序

2、打开火车头采集器之后新建一个分组，然后点击分组再创建新任务

3、 重点来了，根据软件提示一步步操作，首先我们要设置采集网址规则，小范在百度经验写了些文章，试试能否提取下来，打开一篇经验，复制链接

4、在火车头采集器中添加采集地址，然后点击“添加”按钮加入采集列表

5、在多级网址获取处点击“添加”，自动分析网址中的子链接，同时我们为网址获取提供提取范围

6、回到经验页面，在内容选择内容第一段，然后再源代码中找到相应的位置

7、找到文章第一段内容所在位置，在选取文字前的代码，这里小范选的是<meta name="keywords"，将这段代码在搜索一遍，看下是否是独一无二的，可以的话就加入火车头采集器中

8、同样的原理将文章的尾部也提取一段文字进行查找，并提取一段唯一的结束代码，小范提取的是<span class="prompt-ico">

9、设置好之后保存，我们来测试下网址采集，看看是不是采集到了当前网址及其子连接

10、接着我们进入第二步，设置采集内容规则，这里我尺攵跋赈们主要是来设置提取的规则，告诉火车头采集器从哪里开始采集，方法和之前的采集范围设定是一样的，只是这里分的比较细。标题、内容采、作者、时间等等，可以分开来提取

11、标题采集，这里我们选用“前后截取”方式进行采集，直接用<title >挢旗扦渌;标签提取时标题会添加_百度经验，所以我们在下面再添加个替换，把_百度经验替换成空字符即可。

12、内容提取，选择正文首尾内容然后再源代码中查找对应的标签，然后我们来测试下采集效果，这是我们采集到的内容，可以看出来采集到的是源代码中的内容。

13、这里我们继续第三步，将文件保存到本地Word中试试，完成配置后保存设置即可

14、回到主页，我们开始执行采集任务，看看采集效果如何

15、这样就可以提取到网站的内容了，但是提取比较粗糙，格式都乱了，而且有很多多于的代码，所以要想完整准确的提取正文，还需要多下功夫，慢慢调整规则。