采集场景

在微博热搜榜（https://s.weibo.com/top/summary?Refer=top_hot&topnav=1&wvr=6）可实时查看微博热搜排名、热搜关键词和热搜数。点击每个热搜关键词可进入与其相关的微博列表页。我们需要采集以上数据。

 

采集字段

微博热搜排名、热搜关键词、热搜数、内容、发布时间、来源、收藏数、转发数、评论数、点赞数、采集时间和页面网址等字段。

 

 

鼠标放到图片上，右键，选择【在新标签页中打开图片】可查看高清大图

下文其他图片同理

 

采集结果

采集结果可导出为Excel、CSV、HTML、数据库等多种格式。导出为Excel示例：

 

 

教程说明

本篇制作时间：2021/10/28    八爪鱼版本：V8.4.2

如果因网页改版造成网址或步骤无效，无法收集到目标数据，请联系官方客服，我们将及时修正。

 

采集步骤

步骤一、打开网页，切换浏览模式登录，获取登录状态的cookie

步骤二、生成列表循环采集流程，并点击进入详情页

步骤二、创建【循环列表】，采集所有微博列表中的数据

步骤三、修改【循环】的XPath，以去掉多余列表

步骤四、修改字段的XPath，以精准采集所有字段

步骤五、启动采集

 

以下为具体步骤：

 

步骤一、打开网页，切换浏览模式登录，获取登录状态的cookie

 

1、获取登录状态的cookie

在首页输入微博热搜榜网址 https://s.weibo.com/top/summary?Refer=top_hot&topnav=1&wvr=6 ，点击【开始采集】，八爪鱼自动打开网页。

点击切换【浏览模式】，在浏览模式下点击页面上的登录按钮，跳到扫码登录窗口，使用手机app扫码登录，登录成功之后关闭【浏览模式】，在打开网页步骤的【高级设置】里面勾选【使用指定的cookie】，然后点击获取当前页面的cookie，点击应用。

 

 

2、创建【循环列表】，采集热搜页面的列表数据

①、先选中页面上第一个列表的第一个单元格，再点击提示框右下角的【扩大选区】 按钮，选中至一整行。（  的作用是，扩大选中的范围。当前选中的是一个单元格，点一下， 选中的范围就扩大一个层级，即选中了一行）

②、在提示框中，选择【选中子元素】。第1个股票中的具体字段就被选中了，这时八爪鱼又自动识别到页面中其他股票列表具有相同的【子元素】（用红色框框起来）。

③、在提示框中，选择【选中全部】。可以看到页面中所有股票列表中的子元素也都被选中了，被绿色框框起来。

④、在提示框中，选择【采集数据】。这时候，八爪鱼就将表格中的字段都提取下来了。

 

 

3、删除多余字段，修改字段名

这里的链接字段没有用，我们删除，然后修改剩下字段的字段名（双击字段名即可修改）

4、点击红框中的关键词，进入详情页（注意要在循环列表里面配置，这样才能循环进入每一个关键词的详情页面）

在循环的当前项（用红色框框起来）中找到关键词并选中，在弹出的操作提示框中，选择【点击该链接】。

可以看到流程中生成了1个【点击元素】步骤，八爪鱼自动跳转到了详情页，然后提取详情页数据即可。

 

 

步骤二、创建【循环列表】，采集所有微博列表中的数据

 

1、创建【循环列表】

 

通过以下连续3步，创建【循环列表】，采集所有微博列表中的数据

① 选中页面上1个微博列表，包含所有字段（微博这个网页比较特殊，无法直接选中整块微博列表，可以先选中较小的范围，然后在操作提示框中不断点击  按钮，直至选中的区域扩大至整块列表，示例中点击了2次  按钮）

② 继续选中页面上1个微博列表，包含所有字段（同①）

③ 点击【采集以下元素文本】

 

2、提取微博列表中的字段

在循环的当前项中（用红色框框起来），选中文本，在操作提示框中，选择【采集该元素文本】。

文本类字段都可这样提取，示例中提取了 内容、发布时间、来源、收藏数、转发数、评论数、点赞数、等字段。

 

 

特别说明：

a. 经过以上连续3步，【循环-提取数据】创建完成。【循环】中的项，对应着页面上所有微博列表。但是这样会将整个列表作为一个字段提取下来，如果需要分开提取字段，请看下面的操作。

b. 为何通过以上3步，可建立【循环-提取数据】？详情点击查看 列表数据采集教程 。

c. 选中一个范围后，在操作提示框中，点击   按钮，可扩大一层选中的层级。可连续多次点击，每点一次，选中范围扩大一个层级。

 

特别说明：

a. 请注意，一定要在循环的当前项中（当前项会用红色框框起来）提取字段，才能与循环形成联动。否则，将重复采集某一条特定数据，无法与循环联动。

 

3、提取特殊字段，编辑字段

进入【提取列表数据】设置页面，可删除多余字段，修改字段名（双击字段名即可修改），移动字段顺序等。 

 

 

在【当前数据页面预览】中，点击 ，可以添加提取采集时间和页面网址。

 

4、格式化数据

【转发数】和【收藏数】【评论数】这3个字段比较特殊，默认提取的内容与表头有重复的部分，可通过格式化数据去掉重复部分。

如果不介意重复，可跳过此步骤。

 

【转发数】格式化：点击字段后的  按钮，选择【格式化数据】→ 点击【添加步骤】→【正则表达式匹配】，输入正则表达式 [0-9]+，然后保存。就只匹配了数字，去除掉前面的【转发】。

【评论数】、【收藏数】格式化过程同上。

 

 

特别说明：

a. 什么是数据格式化？数据采集下来之后，有时候格式不是我们想要的，或者只想从一段数据里提取特定数据，可通过八爪鱼的【格式化数据】功能实现。详情点击查看 数据格式化教程 。

 

步骤三、修改【循环】的XPath，以去掉多余列表

 

默认生成的【循环】，会将右侧的【话题贡献排行榜】、【关于】、【热搜榜】和【搜索历史】也定位到，需手动修改XPath将其去掉。

进入【循环列表】设置页面，修改XPath为：//DIV[@class='card-wrap'][@mid] ，然后保存。

 

 

特别说明：

a. 如何写精准定位到目标微博列表的XPath？这需要一定的XPath知识。点击查看 XPath学习与实例教程 。

 

步骤四、修改字段的XPath，以精准采集所有字段

 

自动生成的字段的XPath，无法精准定位到所有微博中的字段，会漏数据。我们需手动修改字段的定位XPath。

以【内容】为例。在【内容】字段后选择【自定义定位元素方式】，修改XPath为：  //div[@class="content"]/p[@class="txt"][last()] ，然后保存。

 

其他字段的XPath修改方法同上，各XPath为：

【内容】：//div[@class="content"]/p[@class="txt"][last()]

【发布时间】：//div[@class="content"]/p[@class="from"]/a[1]

【来源】：//div[@class="content"]/p[@class="from"]/a[2]

【收藏数】：//div[@class="card"]//ul/li/a[contains(text(),'收藏')]

 

【转发数】：//div[@class="card"]//ul/li/a[contains(text(),"转发")]

【评论数】：//div[@class="card"]//ul/li/a[contains(text(),"评论")]

【点赞数】：//div[@class="card"]//ul/li/a[@title="赞"]/em

 

设置完xpath后的字段预览区域如图所示

 

特别说明：

a. 为什么默认的XPath，无法精准定位到所有微博中的字段？这是因为，微博列表分为热门博文和非非热门博文2种，我们在热门博文中做的字段提取，不适用非热门博文。我们需要写一条XPath，使之在热门博文和非热门博文中，都能提取到目标字段。

b. 如何写精准定位到所有字段的XPath？这需要一定的XPath知识。点击查看 XPath学习与实例教程 。

 

 

步骤六、启动采集

 

1、单击【采集】并【启动本地采集】。启动后八爪鱼开始自动采集数据。

 

 

特别说明：

a. 【本地采集】是使用自己的电脑进行采集，【云采集】是使用八爪鱼提供的云服务器采集，点击查看 本地采集与云采集详解。

 

2、采集完成后，选择合适的导出方式导出数据。支持导出为Excel、CSV、HTML、数据库等。这里导出为Excel。

 

 

数据示例：

 

 

拓展阅读

1、在未登录情况下，只可采集第一页微博列表数据，这是网站本身的限制。

2、如果需要采集更多页的微博，请登录后再采集。 如何登录？点击查看 处理需要登录的网页（含登录时有验证码）

3、第一页会显示当前时间下的最新博文。可通过八爪鱼云采集，定时采集（最小的定时间隔为1分钟）最新的热搜词及其相关博文。点击查看 云采集使用方法（含定时云采集）

 

作者：Vivi

编辑：Surely