在这里，我们的目标很明确，就是写一个爬虫脚本，让计算机一步一步的把「给产品经理讲技术」的所有历史文章，保存成pdf。
历史文章哪里去找？正好，微信公众号的关注界面有一个查看历史消息的链接。
点开历史消息，这个页面每次显示10篇文章，如果用户滑到底，就会再加载10篇出来，典型的异步加载。我们要找的，就是每篇文章的URL地址。只要找到所有文章的URL，就能下载到每篇文章的内容和图片，然后就可以进一步加工处理成pdf了。
为此，我们长按页面选择在浏览器中打开，然后把地址栏里的URL复制出来，发送到电脑上，用Chrome打开。用Chrome的最大好处，就是它有一个「开发人员工具」，可以直接查看网页的源码。按下command+option+L，打开开发人员工具，就能看到这个网页的源码了。我们要找的东西，就藏在这些乱七八糟的HTML代码里。
如何从HTML源码里找到我们想要的文章链接呢？
这要从HTML的结构说起。HTML全称超文本标记语言，所谓标记，就是说是它通过很多标签来描述一个网页。你看到很多像以开始，以结束的标志，就是标签。这些标签一般成对出现，标签里面还可以套标签，表示一种层级关系。最外面的html标签是最大的，head、body次之，一层一层下来，最后才是一段文字，一个链接。你可以把它类比成一个人，这个人叫html，有head，有body，body上有hand，hand上面有finger。
扯远了，一些常用的标签：
1、<head>。一个网页的很多重要信息，都是在这里声明的。比如说标题，就是在<head>下的<title>里定义的。一个网页用到的CSS样式，可以在<head>下的<style>里定义。还有你写的JavaScript代码，也可以在<head>下的<script>里定义。
2、<body>。它包含的东西就多了，基本上我们能看到的东西，一段文字，一张图片，一个链接，都在这里面。比如说：
<p>表示一个段落
<h1>是一段文字的大标题
<a>表示一个链接
<img>表示一张图
<form>是一个表单
<div>是一个区块
计算机是如何理解HTML的标签的呢？其实很简单，它就是一棵树。你可以把<html>当做树根，从树根上分出<head>和<body>，各个分支上又有新的分支，直到不能再分为止。这有点类似我们电脑上存放的文件。假设你有一本《21天学习C++》的电子书，存在D盘、study文件夹下的CS文件夹里。而study文件夹里除了CS文件夹，还有GRE、岛国文化等目录，代表着另一个分支体系。这也是一棵树。树上的每一片叶子，都有一条从根部可以到达的路径，可以方便计算机去查找。
回到正题，有了这些基础知识，我么再来看微信这个历史消息页面。从最外层的<html>标签开始，一层一层展开，中间有<body>、有<div>、最后找到一个<a>标签，标签里面的hrefs就是每篇文章的URL了。把这个URL复制下来，在新的TAB打开，确认确实是文章的地址。
现在我们通过分析一个网页的结构、标签，找到了我们想要的文章URL，我们就可以写爬虫去模拟这个过程了。爬虫拿到网页之后，我们可以用正则表达式去查找这个<a>标签，当然，也可以用一些更高级的手段来找。
简单说：使用正则，或者专门处理解析html的库，去提取即可；
详细说：
你巧了。我之前写过了，极其详尽的，不仅解释原理，还给出示例的说明，以及源代码的。自己看就全都明白了：
如何用Python，C#等语言去实现抓取静态网页，模拟登陆网站
（此处不给帖地址，请自己用google搜标题，就可以找到帖子地址了）
用前嗅的ForeSpider数据采集系统。ForeSpider数据采集系统具备全面的采集范围、精准的数据精度、绝佳的抓取性能、简易的可视化 *** 作、智能的自动化采集，使企业能够以很少的人工成本，快速获取互联网中结构化或非结构化的数据。软件几乎可以采集互联网上所有公开的数据，通过可视化的 *** 作流程，从建表、过滤、采集到入库一步到位。软件首创了面向对象的爬虫脚本语言系统，如果有通过可视化采集不到的内容，都可以通过简单几行代码，实现强大的脚本采集。软件同时支持正则表达式 *** 作，可以通过可视化、正则、脚本任意方式，实现对数据的清洗、规范。台式机单机采集能力可达4000-8000万，日采集能力超过500万。服务器单机集群环境的采集能力可达8亿-16亿，日采集能力超过4000万。并行情况下可支撑百亿以上规模数据链接，堪与百度等搜索引擎系统媲美。一．强大：可以抓取互联网上100 %的公开数据1.内置强大数据挖掘功能。2.支持用户登录。3.支持Cookie技术。4.支持验证码识别。5.支持HTTPS安全协议。6.支持OAuth认证。7.支持POST请求。8.支持搜索栏的关键词搜索采集。9.支持JS动态生成页面采集。10.支持IP代理采集。11.支持图片采集。12.支持本地目录采集。13.内置面向对象的脚本语言系统，配置脚本可以采集几乎100%的互联网公开数据。二．可视化+爬虫脚本语言+正则表达式ForeSpider是可视化的通用性采集软件，同时内置了强大的爬虫脚本语言。如果有通过可视化采集不到的内容，都可以通过简单几行代码，实现强大的脚本采集。软件同时支持正则表达式 *** 作，可以通过可视化、正则、脚本任意方式，实现对数据的清洗、规范。三．集成数据挖掘功能软件内部集成了数据挖掘功能，可以通过一个采集模板，精准挖掘全网的内容。在数据采集入库的同时，可以完成分类、统计、自然语言处理等诸多功能。软件与公司的ForeAna数据分析系统对接，可以实现强大的数据分析功能，对数据进行深度的大数据分析。四．精准：精准采集所需数据1.独立知识产权JS引擎，精准采集。2.内部集成数据库，数据直接采集入库。3.内部创建数据表结构，抓取数据后直接存入数据库相应字段。4.根据dom结构自动过滤无关信息。5.通过模板配置链接抽取和数据抽取，目标网站的所有可见内容均可采集，智能过滤无关信息。6.采集前数据可预览采集，随时调整模板配置，提升数据精度和质量。7.字段的数据支持多种处理方式。8.支持正则表达式，精准处理数据。9.支持脚本配置，精确处理字段的数据。五．高性能：千万级的采集速度1.C++编写的爬虫，具备绝佳采集性能。2.支持多线程采集。3.台式机单机采集能力可达4000-8000万，日采集能力超过500万。4.服务器单机采集能力可达8亿-16亿，日采集能力超过4000万。5.并行情况下可支撑百亿以上规模数据链接，堪与百度等搜索引擎系统媲美。6.软件性能稳健，稳定性好。六．简易高效：节约70%的配置时间1.完全可视化的配置界面， *** 作流程顺畅简易。2.基本不需要计算机基础，代码薄弱人员也可快速上手，降低 *** 作门槛，节省企业爬虫工程师成本。3.过滤采集入库一步到位，集成表结构配置、链接过滤、字段取值、采集预览、数据入库。4.数据智能排重。5.内置浏览器，字段取值直接在浏览器上可视化定位。五．数据管理：数据智能入库1．数据存储在用户本地计算机，不会上传至前嗅服务器，保证数据独有，更加安全。2．内置数据库，数据采集完毕直接存储入库。3．在软件内部创建数据表和数据字段，直接关联数据库。4．采集数据时配置数据模板，网页数据直接存入对应数据表的相应字段。5．正式采集之前预览采集结果，有问题及时修正配置。6．数据表可导出为csv格式，在Excel工作表中浏览。7．数据可智能排除，二次清洗过滤。六．智能：智能模拟用户和浏览器行为1.智能模拟浏览器和用户行为，突破反爬虫限制。2.自动抓取网页的各类参数和下载过程的各类参数。3.支持动态IP代理加速，智能过滤无效IP代理，提升代理的利用效率和采集质量。4.支持动态调整数据抓取策略，多种策略让您的数据无需重采，不再担心漏采，数据采集更智能。5.自动定时采集。6.设置采集任务条数，自动停止采集。7.设置文件大小阈值，自动过滤超大文件。8.自由设置浏览器是否加速，自动过滤页面的flash等无关内容。9.智能定位字段取值区域。10.可以根据字符串特征自动定位取值区域。11.智能识别表格的多值，表格数据可以完美存入相应字段。七．增值服务1.VIP客服持续在线服务，解决各类技术难题，可以远程帮助完成配置。2.提供大量免费的采集模板，用户可以下载导入。3.软件被防爬后，免费提供解决方案和软件的针对性升级。4.免费升级后续不断开发的更多功能。5.软件绑定账号不固定计算机，可以任意更换使用的计算机。6.为用户提供各类高端定制化服务，全方位来满足用户的数据需求。欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）