网页数据抓取入门教程，简单实用人人能学
环境需求这个工具对环境的要求非常简单，只需一台能上网的电脑和一个版本号大于31的Chrome浏览器即可。当然，浏览器版本越新越好，目前Chrome浏览器已更新至60多版本，满足要求并不难。在线安装过程在线安装需要能够翻墙，访问Chrome应用商店在线访问WebScraper插件页面，点击“添加至Chrome”按钮。2.在弹出的对话框中点击“添加扩展程序”。3.安装完成后，WebScraper的图标将显示在浏览器顶部工具栏中。本地安装过程无法翻墙的用户可以使用本地安装方式，在本公众号回复「爬虫」可下
环境需求
这个工具对环境的要求非常简单，只需一台能上网的电脑和一个版本号大于31的Chrome浏览器即可。当然，浏览器版本越新越好，目前Chrome浏览器已更新至60多版本，满足要求并不难。
在线安装过程
在线安装需要能够翻墙，访问Chrome应用商店
- 在线访问Web Scraper插件页面，点击“添加至Chrome”按钮。
2. 在弹出的对话框中点击“添加扩展程序”。
3. 安装完成后，Web Scraper的图标将显示在浏览器顶部工具栏中。
本地安装过程
无法翻墙的用户可以使用本地安装方式，在本公众号回复「爬虫」可下载Chrome和Web Scraper扩展插件
- 打开Chrome浏览器，在地址栏输入
chrome://extensions/，进入扩展程序管理界面，然后将下载好的扩展插件Web-Scraper_v0.3.7.crx拖拽到此页面，点击“添加到扩展程序”即可完成安装。如图：
2. 安装完成后，Web Scraper的图标将显示在浏览器顶部工具栏中。
初识Web Scraper
开发人员可以跳过此部分，直接看后面的内容
在Windows系统下，可以使用快捷键F12（某些笔记本可能需要按Fn+F12）；
在Mac系统下，可以使用快捷键Command+Option+I；
也可以直接在Chrome界面上操作，点击设置->更多工具->开发者工具。
打开后的效果如下，其中绿色框部分是开发者工具的完整界面，红色框部分是Web Scraper区域，我们将在后续操作中使用。
注意：如果开发者工具显示在浏览器的右侧区域，需要将其调整到浏览器底部。
原理及功能说明
我们抓取数据通常是为了批量获取信息，而手动操作过于耗时甚至无法完成。例如，抓取微博热门前100条或知乎某个问题的所有答案。
基于这种需求，数据采集通常有两种方式：“我们程序员的方式”和“你们普通人的方式”。
“程序员的方式”是指开发人员根据需求编写爬虫或使用爬虫框架，如Scrapy（Python）、WebMagic（Java）、Crawler4j（Java），视需求复杂程度，编写时间从几小时到几天不等。对于复杂需求，普通人的方式可能不适用。
本文主要介绍“普通人的方式”，即使用Web Scraper工具。其界面简洁、操作简单，且支持导出Excel格式，适合非开发人员快速上手。对于简单需求，开发人员也无需自己编写爬虫，几下鼠标操作比编写代码更快捷。
数据爬取的思路可以概括为：
- 通过一个或多个入口地址获取初始数据，如文章列表页或带分页的列表页；
- 根据入口页面中的链接进入下一级页面，获取必要信息；
- 根据上一级的链接继续进入下一层，获取必要信息（可无限循环）。
接下来，我们正式认识Web Scraper工具。打开开发者工具，切换到Web Scraper标签页，界面分为三个部分：
Create new sitemap：sitemap即网站地图，可以理解为入口地址，针对一个网站或需求创建一个sitemap。例如，抓取知乎某个问题的所有回答，就创建一个sitemap，将问题地址设置为Start URL，然后点击“Create Sitemap”。
Sitemaps：所有创建过的sitemap的集合，可以在这里查看、修改和进行数据抓取。
Sitemap：进入具体的sitemap，可以进行一系列操作，如下图：
其中红色框部分的Add new selector是必不可少的步骤。selector即选择器，对应网页上包含我们要收集数据的区域。
一个sitemap下可以有多个selector，每个selector可以包含子selector，一个selector可以只对应一个标题，也可以对应包含标题、副标题、作者信息、内容等的整个区域。
Selectors：查看所有选择器。
Selector graph：查看当前sitemap的拓扑结构图，显示根节点和选择器的层级关系。
Edit metadata：修改sitemap信息，包括标题和起始地址。
Scrape：开始数据抓取工作。
Export data as CSV：以CSV格式导出抓取的数据。
案例实践
简单试水hao123
由浅入深，以一个最简单的例子作为入门
操作步骤：
- 打开hao123页面，并在页面底部打开开发者工具，定位到Web Scraper标签栏；
- 点击“Create Sitemap”；
3. 输入sitemap名称和start url，名称为hao123（不支持中文），start url为hao123网址，然后点击“Create Sitemap”；
4. Web Scraper自动定位到这个sitemap，点击“Add new selector”添加选择器；
5. 给selector指定id（如hot），选择Type为Link，Link类型会自动提取名称和链接两个属性；
6. 点击“Select”，在网页上移动光标，选中所需区域（如头条新闻），继续选中其他链接，确保所有相关链接变为红色，然后点击“Done selecting!”，勾选Multiple表示采集多条数据；
7. 保存选择器，点击“Element preview”预览选择区域，点击“Data preview”在浏览器中预览抓取的数据，文本框中的内容是xpath，可以手动编写xpath；
完整操作过程如下：
8. 操作完成后，可以导出数据。查看Sitemap hao123下的Selector graph，了解拓扑结构图，_root是根selector，包含子selector hot；
9. 点击“Scrape”开始抓取数据。
- 在Sitemap hao123下的Browse中，通过浏览器直接查看抓取结果；
11. 最后，使用“Export data as CSV”以CSV格式导出数据，其中hot列是标题，hot-href列是链接；
赶紧尝试一下吧！
抓取知乎问题所有回答
知乎的特点是页面向下滚动才会加载后面的回答
- 在Chrome中打开链接（https://www.zhihu.com/question/30692237），调出开发者工具，定位到Web Scraper标签栏；
- 点击“Create new sitemap”，填写sitemap名称和start url；
3. 开始添加选择器，点击“Add new selector”；
- 分析知乎问题的结构，每个回答区域包括昵称、赞同数、回答内容和发布时间等。红色框住的部分是我们要抓取的内容。抓取数据的逻辑是：由入口页进入，获取当前页面已加载的回答，找到回答区域，提取昵称、赞同数、回答内容，依次向下执行，模拟向下滚动鼠标，加载后续部分，循环往复，直到全部加载完毕；
5. 内容结构的拓扑图如下，_root根节点下包含多个回答区域，每个区域下包含昵称、赞同数、回答内容；
6. 根据拓扑图创建选择器，填写selector id为answer，Type选择Element scroll down。Element适用于大范围区域，包含子元素，回答区域对应Element，Element scroll down适用于下拉加载的情况；
7. 点击“Select”，鼠标移动到页面，让绿色框框住一个回答区域后点击鼠标，移动到下一个回答，同样框住后点击鼠标，所有回答区域变成红色框后，点击“Done selecting!”，选择Multiple，保存；
8. 点击红色区域，进入answer选择器，创建子选择器；
9. 创建昵称选择器，设置id为name，Type为Text，选择昵称部分，保存；
10. 创建赞同数选择器；
11. 创建内容选择器，由于内容较长且有格式，从下方选择会更方便；
12. 执行“Scrape”操作，由于内容较多，可能需要几分钟，如果是测试，可以选择回答数较少的问题。
资源获取
在本公众号内回复「爬虫」，获取Chrome和Web Scraper扩展程序的安装包。在本公众号内回复「sitemap」，获取本文中抓取hao123和知乎的sitemap文本。获取的sitemap是一段json文本，通过“Create new Sitemap”下的“Import Sitemap”，输入获取到的sitemap json串，起个名字，点击导入按钮即可。
正软商城本月促销专区，汇集办公、设计、安全、影音、系统工具及AI软件等正版软件优惠活动，提供限时折扣、特价授权和优惠购买信息，活动库存及价格以页面实时展示为准。
正软商城装机必备专区，精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件，帮助用户快速完成新电脑软件配置。
正软商城Windows软件专区，汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件，提供软件介绍、系统要求、正版授权及购买下载服务。
正软商城macOS软件专区，精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具，提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。
正软商城iOS软件专区，精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用，提供功能介绍、适用设备、系统要求和正版获取方式等信息。
正软商城AI软件专区，汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具，提供功能介绍、适用平台、收费方式及正版购买信息。
正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法，同时介绍常用PDF软件和工具的使用技巧。
赤友清理大师是一款为 Mac 设计的智能清理优化工具，可精准扫描垃圾、大文件、重复文件等，释放磁盘空间。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
