上一讲我给你讲了数据采集的来源，其中有一个很关键的工具叫做八爪鱼，今天我们就用八爪鱼实战模拟一下如何进行数据采集。
在文末你可以看到我操作的流程视频。
八爪鱼的基本操作
在开始操作前，我先来介绍下今天要讲的主角“八爪鱼”工具。相比使用Python进行爬虫，八爪鱼的使用更加简便，因为是所见即所得的方式，基本上不需要编写代码，除了在正则表达式匹配的时候会用到XPath。
这里简单介绍下XPath，XPath的英文是XML Path Language，也就是XML的路径语言，用来在XML文件中寻找我们想要的元素。所以八爪鱼可以使用XPath帮我们更灵活地定位我们想要找的元素。
自定义任务 VS 简易采集
如果你想要采集数据就需要新建一个任务，在建任务的时候，八爪鱼会给你一个提示，是使用八爪鱼自带的“简易采集”，还是自定义一个任务。
简易采集集成了一些热门的模板，也就是我们经常访问的一些网站。它可以帮助我们轻松地实现采集，只需要我们告诉工具两个信息即可，一个是需要采集的网址，另一个是登录网站的账号和密码。
虽然简易采集比较方便快捷，但通常还是推荐使用自定义任务的方式，这样可以更灵活地帮我们提取想要的信息，比如你只想采集关于“D&G”的微博评论。
流程步骤
八爪鱼的采集共分三步：
-
输入网页：每个采集需要输入你想要采集的网页。在新建任务的时候，这里是必填项。
-
设计流程：这个步骤最为关键，你需要告诉八爪鱼，你是如何操作页面的、想要提取页面上的哪些信息等。因为数据条数比较多，通常你还需要翻页，所以要进行循环翻页的设置。在设计流程中，你可以使用简易采集方式，也就是八爪鱼自带的模板，也可以采用自定义的方式。
-
启动采集：当你设计好采集流程后，就可以启动采集任务了，任务结束后，八爪鱼会提示你保存采集好的数据，通常是xlsx或csv格式。
如果你使用的是自定义采集，就需要自己来设计采集流程，也就是采集流程中的第二步。八爪鱼的流程步骤有两类，可以划分为基本步骤和高级步骤。
基本步骤就是最常用的步骤，每次采集都会用到，一共分为4步，分别是打开网页、点击元素、循环翻页、提取数据。
高级步骤是辅助步骤，可以帮我们更好地对数据进行提取，比如我们想要某个关键词的数据，就需要在网页输入框中输入对应的文字。有时候源网页的系统会提示需要输入验证码，我们就可以采用验证码识别的模块帮我们解决。有时候我们需要用下拉选项帮我们筛选想要的数据，或者某些判断条件下（比如存在某个关键词）才触发的采集等。这些操作可以更精细化地提取想要的数据。
下面我来介绍下基本步骤：
1. 打开网页
所有的采集默认第一项都是打开网页。所以在新建任务之后，系统会提示你输入网址。当你输入之后，八爪鱼就会自动建立一个“打开网页”的流程。
2. 点击元素
这里元素的定义比较广泛，它可以是某个按钮，或者某个链接，也或者是某个图片或文字。使用这个步骤是你在搜索或者提交某个请求。当你点击元素后，八爪鱼会提示你想要达到的目的：点击该按钮、采集该元素文本、还是鼠标移到该链接上。然后再选择“点击该按钮”进行确认即可。
如果我们点击某个元素的目的是循环翻页，或者提取数据，那么在点击之后，八爪鱼会确认你的目的，你只要点击相关的按钮即可。
3. 循环翻页
很多数据都存在翻页的情况，通常你需要找到翻页的位置，比如网页底部的“下一页”按钮，点击它，会提示你“循环点击下一页”、“采集该链接文本”还是“点击该链接”。你需要确认这里是进行的“循环点击下一页”。
4. 提取数据
在网页上选择你想要提取的页面范围，鼠标移动到页面上会呈现蓝色的阴影面积，它表明了你想提取的数据范围。然后点击鼠标后，在右侧选择“采集数据”即可。
这4个基本操作就像它们的名称一样简单直接，这里我给你一些使用的建议：
-
尽量使用用户操作视角进行模拟的方式进行操作，而不是在“流程视图”中手动创建相应的步骤。因为八爪鱼最大的特点就是所见即所得，所以一切就按照用户使用的流程进行操作即可。
-
使用“流程视图”方便管理和调整。右侧有“流程视图”的按钮，点击之后进入到流程视图，会把你之前的操作以流程图的方式展示出来。我会在文章下面详细介绍一下。
为什么要这么做呢？这样的话每个步骤流程清晰可见，而且你还可以调整每个步骤的参数，比如你之前的网址写错了想要修改，或者之前输入的文字需要调整等。
另外很多时候需要账号登录后才能采集数据，我们可以提前在八爪鱼工具里登录，这样再进行抓取的时候就是登录的状态，直接进行采集就可以了。
采集微博上的“Dolce&Gabbana”评论
在了解基本步骤之后，我们就可以自己动手采集内容了。比如说我想要采集微博上关于“D&G”的评论，那么我可以先在浏览器上，人工操作下整个流程，梳理出来以下的步骤。
这几个流程具体是怎么做的呢？我来给你一一梳理一下。
1. 输入网页
对应基本步骤“打开网页”，我们输入微博搜索的地址。
2. 输入关键词
对应“输入文本”，我把鼠标移动到输入框中，点击后会在右侧进行操作目的的确认，选择“输入文本”即可，然后输入我们想要搜索的内容“D&G”。
3. 点击搜索
对应“点击元素”，我们点击“搜索按钮”，然后确认操作目的是“点击元素”。
4. 设置翻页
因为我们想要采集全量数据，因此需要先设置翻页。这里特别注意下，翻页的操作要在数据提取之前，因为翻页是个循环的命令，就像我们平时写for语句一样，一定是先设置for循环，然后在循环中进行数据提取。
5. 提取数据
提取数据的时候，我们需要提取多个字段，比如，用户、微博内容、发表时间、该微博网址。而且一个页面上会有多个微博，都需要进行采集。所以你需要先选择单条内容的最大的目标区域，在确认目的时，会发现里面有子元素，这里目的选择为“选中子元素”。因为我们要对子元素内容进行采集，方便把内容按照字段进行划分。这时会提示页面中还有20个相同元素时，选择“选中全部”即可。
6. 启动采集
都选择好之后，系统会给出三个提示，分别是“启动本地采集”、“启动云采集”和“设置定时采集”。数据量不大的时候，我们选择“启动本地采集”即可。
你可以看出，这整个过程比较简便，但中间有一些细节你可能会出错，比如说你忘记了先翻页，再选取你想提取的元素。这样如果遇到了问题，有两个重要的工具一定要用好：流程视图和XPath。
流程视图
流程视图我在上面提到过，这里详细介绍一下。流程视图应该是在可视化中应用最多的场景，我们可以使用流程视图查看创建流程，调整顺序，或者删掉不想要的步骤。
另外我们还能在视图中查看数据提取的字段。选中“提取数据”步骤，可以看到该步骤提取的字段都有哪些。一般都会出现很多冗余的字段，因为HTML代码段中有很多隐藏的内容也会被提取到，这里你可以删掉没用的字段，把保留的字段名称进行备注修改。
这里有张图，是我通过八爪鱼可视化操作采集微博评论时，自动生成的流程视图。
XPath
介绍完流程视图之后，我们再来说一下XPath。在八爪鱼工具中内置了XPath引擎，所以在我们用可视化方式选择元素的时候，会自动生成相应的XPath路径。当然我们也可以查看这些元素的XPath，方便对它们进行精细地控制。
为什么有了可视化操作，还需要自己来定义XPath呢？
这是因为有时候我们采集的网站页面是不规律的，比如你可以看到微博搜索结果页中，第一页和第二页的HTML排版是不同的，这样的话，可视化操作得到的XPath可能不具备通用性。这种情况下，如果你用搜索结果第一页提取数据得到的XPath，就无法匹配搜索结果页第二页的数据。
在八爪鱼工具中，很多控件都有XPath，最常用的还是循环和提取数据中的XPath，下面我来一一简单介绍下。
循环中的XPath
在微博采集这个例子中，我们用到了两种循环方式，一种是“循环翻页”，一种是“循环列表”。
在“循环翻页”中，你可以在“流程视图”中点击“循环翻页”的控件，看到右侧的“高级选项”中的XPath。在微博采集这个例子中，循环翻页的XPath是//A[@class=‘next’]。
在“循环列表”中，我在提取数据的时候，出现了页面提示“还有20个相同元素”，这时我选择“选中全部”。相当于出现了20个元素的循环列表。所以你在流程视图中，可以会看到提取数据外层嵌套了个循环列表。同样我们可以看到循环列表的XPath是//DIV[@class=‘card-feed’]。
提取数据的XPath
当我们点击流程中的“提取数据”，可以看到有很多字段名称，XPath实际上定位到了这些要采集的字段。所以你需要选中一个字段，才能看到它的XPath。
现在你知道了，八爪鱼的匹配是基于XPath的，那么你也可以自己来调整XPath参数。这样当匹配不到想要的数据的时候，可以检查下是不是XPath参数设置的问题，可以手动调整，从而抓取到正确的元素。
总结
今天我给你讲了八爪鱼的使用，然后带你实现了一个微博采集的例子。你可能会想问，我为什么要讲一个八爪鱼这样的第三方工具呢？
这里讲下我的一些心得体会。
我们的工作流程通常很长，所以更应该专注工作的核心，比如说数据分析这块，所有的辅助都可以采用第三方工具来做。如果老板让你统计微博上的评论，实际上老板最想知道的不是采集的过程，而是整体的概况，比如说影响了多少人，评论如何，是否有KOL关注等等。
如果你之前没有数据采集的经验，那么第三方工具，以及采用可视化的方式来进行采集应该是你的首选。可视化的方式可以让你迅速上手，了解到整个数据采集的过程。
我们应该从基础步骤开始，遇到特定需求的时候再学习了解高级步骤。这篇文章只介绍了基本的流程，但你可以上手操作了。在实际操作中，你可能会遇到各种问题，这个时候再对高级步骤进行学习，如果要进阶的话，还需要你掌握XPath的使用。
好了，我来总结一下今天的内容。今天我讲了八爪鱼的任务建立、流程设计，还有一个实操的案例。具体的内容概要可以看我整理的下面这张图。
虽然八爪鱼工具提供了各种简易采集的方式，我更建议你把它作为参考模板，可以看下别人是如何建立的，这样多做案例，你上手会更快。
下面是我操作八爪鱼的流程，你可以看一下这个视频，更直观一些。
最后给你留个练习题吧。如何通过八爪鱼抓取豆瓣网站中关于《海王》的电影评论呢？你不妨上手练习一下，这样会有更深的体会。
如果你觉得今天的内容对你有帮助，欢迎你把这篇文章分享给你的朋友或者同事，一起来学习进步。
精选留言
2019-01-02 05:16:43
2019-01-13 22:58:20
2019-01-02 10:56:00
2019-04-09 17:54:48
2019-01-07 19:43:17
2019-01-02 19:59:17
通过虚拟系统的八爪鱼，直接爬微博，没使用登录名，输入"D&G"，提取用户、图片、内容、时间、来自客户端，共用时19分钟56秒，采集了2442多条，有效数据2103，339条重复，得到的数据来看，有些是分开的D和G，下一步该是要清洗相关的数据了~
2019-01-02 07:53:46
2019-01-02 19:49:35
第五步是选中子元素，没有这一个选项。更没有选中全部
2019-01-02 22:51:39
打开网页豆瓣海王影评https://movie.douban.com/subject/3878007/reviews
用时12分钟58秒，共采集2235条（1条重复），但是展开的部分没有采集出来，重新后来设置展开扩容了，数据预览时对的，并且设置了AJax为3秒，然后速度超级慢，也没有采集到展开的内容了，是哪儿设置不对吗？请老师指点～
2019-01-02 14:34:21
遗憾的是评论不能附图。我把抓取结果描述一下，豆瓣关于海王的电影评论有117页，我只爬取了100页，返回了500条用户评论。
爬取的属性有“爬取时间、作品名、作品ID、作品链接、评论者ID、评论者主页、短评内容、短评发布时间、短评有用数、星级评分数”，其中短评发布时间和星级评分数存在空值。后续的情感分析就可以上NLP了。
但不可否认的是工具的功能超出了我的想象！原来数据采集还能这么玩！
很期待后续的数据分析实战课程，以及数据图形可视化的思路和实现方法！
2019-01-02 09:35:24
昨天利用itchat爬了自己微信号的数据，还是很有意思的。希望跟着老师的步伐，自己养成解决问题的能力。
2019-01-15 16:27:49
2019-07-20 13:56:06
2019-01-24 09:43:05
2019-02-12 15:20:03
2019-01-02 14:37:42
2019-01-02 09:24:12
2020-03-31 11:52:37
如何提前登录微博呢 老师
2019-05-29 12:20:52
输入‘海王’后，点击搜索按钮
八爪鱼自带浏览器没有搜索内容，而其他浏览器有搜索内容
希望老师能给出问题原因，以及解决办法
2019-02-23 16:36:13