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。
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。