这是一个创建于 3196 天前的主题，其中的信息可能已经有所发展或是发生改变。
最近身边好多法学啊，经济的同学问能不能学习一下爬虫的姿势，这样以后搜集资料就不需要老是复制粘贴这样的体力劳动了。于是就想来看看有木有符合这样需求的 tutorial ，大家可以 share 一下呢~
 |
1
falcon05 2016-02-10 11:30:53 +08:00 via iPhone
自己做个爬虫系统，教他们写正则表达式
|
 |
2
xcodebuild 2016-02-10 11:36:46 +08:00
@falcon05 正则表达式不适合处理爬下来的 HTML
|
 |
3
wdlth 2016-02-10 11:40:12 +08:00
可以试试 XPath
|
 |
4
gamexg 2016-02-10 11:40:40 +08:00
那么用 xpath ，有浏览器插件可以自动生成 xpath 表达式。
但是还是需要正则或* ? 做一些提取。 |
 |
5
gaocegege OP 正则还是 Xpath ，都是需要教才能用的嘛，有什么教不会写代码的人用这样的技术的文档么 0;0
总不能来一个，教一个吧 |
 |
6
WildCat 2016-02-10 11:56:02 +08:00 via iPhone
pyquery 比较适合？
|
 |
7
fengxiang 2016-02-10 11:58:10 +08:00 via Android
直接用火车头得了
|
 |
8
XadillaX 2016-02-10 12:19:51 +08:00 via Android
nodejs + cheerio
|
 |
9
scarlex 2016-02-10 12:32:18 +08:00
试试 Nightmare.js
|
 |
10
ericls 2016-02-10 12:45:24 +08:00  1
https://segmentfault.com/a/1190000002544142
写过一篇 面对入门的 |
 |
11
ammzen 2016-02-10 12:56:48 +08:00
看楼主说到那些同学搜集资料时就不用老是复制粘贴的抱怨，我觉得他们需要的可能不是爬虫，而是快捷保存资料的工具。
Evernote 插件用好，完全可以保存重点内容与出处（ URL ）。 要么就去找选中即保存的那种工具，浏览完网页后，重要的东西都已经存下来了。 |
 |
12
zog 2016-02-10 13:05:59 +08:00
我推荐你用 wget 这个命令行工具. 普通爬取工作都可以胜任. 非程序员编写爬虫很难. 爬虫是个很大很大的话题.
|
 |
13
Tink 2016-02-10 14:11:14 +08:00
其实主要还是要教他们处理 js 生成的内容
|
 |
14
Jimrussell 2016-02-10 14:31:31 +08:00 via Android
好的回答总是简单的，比如 7 楼。再加个按键精灵好了。
|
 |
15
imn1 2016-02-10 15:27:39 +08:00
你需要搞清楚需求，你确定他们真的需要一个爬虫么？
他们可能更需要的是一个后台获取文档、前台截取主要部分（去除无关内容）的工具 个人觉得他们对文字阅读还是有必要的，但爬虫往往却是忽略“阅读” 可能一个离线浏览器+笔记类工具会更合适，文章采集器可能合适，不过我不太了解 同质（指 HTML 结构）少于 1000 都无必要学习爬虫，成本更高 先弄清需求吧 |
 |
16
Exin 2016-02-10 16:00:08 +08:00 via iPhone
仔细想了想，我认为他们还是高估了爬虫的能力。也许他们只是需要 Google 提高搜索效率。
|
 |
17
chemzqm 2016-02-10 18:12:00 +08:00
学校里论文系统不一定是基于 http 的，渲染也未必是基于 html 。
就算是 html 页面抓出来格式化，选取段落才是真正麻烦的地方 |
 |
18
xavierskip 2016-02-10 18:22:17 +08:00
|
 |
19
lemonda 2016-02-10 18:42:57 +08:00
|
 |
20
kslr 2016-02-10 18:45:25 +08:00 via Android
雇佣我
|
|
21
xavierskip 2016-02-10 19:17:09 +08:00 1
@lemonda 找到了！是 kimono https://www.kimonolabs.com/
|
 |
22
sadscv 2016-02-10 19:31:26 +08:00
@xavierskip 这个好 、完全图形化界面。
|
 |
23
zacks 2016-02-10 19:50:48 +08:00
同样推荐 pyspider 。可以通过点击网页或者代码进行爬虫。
|
 |
24
ctrainr 2016-02-10 20:17:39 +08:00 1
国内：火车头 八爪鱼；国外 import.io kimono visualscraper datascraping.co parsehub mozenda
|
 |
25
wizardforcel 2016-02-10 21:48:58 +08:00
我现在用 node+cheerio ，但是也得懂选择器，它比起 xpath 来说对程序员更友好一点，但是对于非程序员来说还是天坑。
唯一的办法就是做个自动化的工具给他们。 |
|
26
xavierskip 2016-02-16 14:59:06 +08:00
|
Select Language