标签： 数据采集

懒人采集器是一款非常智能的数据采集软件。使用它不需要编程，很容易创建，采集数据就是如此的简单。它专门为懒人而准备，没有比这更简易的采集工具了。支持各种网站。

软件介绍

懒人采集器是一款简单易用、功能强大的网页采集工具。采集配置非常简单，全程可通过内置浏览器可视化选取需要采集的内容，使您可以在短时间内就可以快速创建出一个采集任务，无需分析网页源代码，更不需要熟悉网络协议，只需要点点鼠标就可以完成创建好任务。

软件特点

1、软件操作简单，可通过鼠标点击的方式轻松选取要抓取的内容;

2、支持三种高速引擎：浏览器引擎、HTTP引擎、JSON引擎，内置优化后的火狐浏览器，加上独创的内存优化使浏览器采集也可以高速运行，甚至可以快速转换为HTTP方式运行，享受更高的采集速度!而在抓取JSON数据时，同样可以使用浏览器可视化方式，通过鼠标点选需要抓取的内容，完全不需要去分析JSON数据结构，使非网页专业设计人士也可以轻松抓取需要的数据;

3、不用分析网页请求和源代码，却支持更多的网页采集;

4、先进的智能算法，可以一键生成目标元素X自动识别网页列表、自动识别分页中的下一页按钮……

5、支持丰富的数据导出方式，可以导出为txt文件、html文件、csv文件、excel文件，也可以导出到已有的数据库，如sqlite数据库、access数据库、sqlserver数据库、mysql数据库，通过向导的方式简单映射字段，即可轻松导出到目标网站数据库中。

产品优势

1、可视化向导

所有采集元素，自动生成采集数据

2、智能识别

可自动识别网页列表、采集字段和分页等

3、计划任务

灵活定义运行时间，全自动运行

4、拦截请求

自定义拦截域名，方便过滤站外广告，提高采集速度

5、多引擎支持

支持多个采集引擎，内置高速浏览器内核、HTTP引擎和JSON引擎

6、多种数据导出

可导出为Txt 、Excel、MySQL、SQLServer、 SQlite、Access、网站等

懒人采集器使用方法

第一步：设置起始网址

要采集一个网站的数据，首先我们要设置从哪些网址进入采集，比如我们要采集一个网站的国内新闻，那么我们就要设置起始网址为国内新闻栏目列表的网址，而一般不会设置网站首页为起始网址，因为首页通常会包含很多列表，比如最新文章、热门文章、推荐文章等等各种列表块，并且这些列表块里显示的内容也是非常有限的，采集这些列表的话一般都无法采集完整信息。

下面我们以采集新浪新闻为例，从新浪首页找到国内新闻，但该栏目首页内容还是比较杂乱，而且还细分三个子栏目

我们从进入其中一个子栏目“内地新闻”看一下

该栏目页包含有一个带分页的内容列表，通过切换分页，我们就可以采集到该栏目下的所有文章，所以这种列表页就非常适合作为我们采集的起始网址。

现在，我们就复制该列表网址到任务编辑框第一步的文本框中

如果你要在一个任务中同时采集国内新闻里的其他子栏目，也可以把另两个子栏目列表地址复制进来，因为这些子栏目列表格式都是相似的。但为了便于导出或发布分类数据，一般不建议多个栏目内容混合在一起。

对于起始网址我们也可以批量添加或从txt文件导入，比如我们要采集前5页，也可以这样自定义五个起始页

需要注意的是如果这里自定义了多个分页列表，在后面的采集配置里就不要再启用分页了，通常我们要采集某个栏目下的所有文章时，都只需要定义该栏目第一页为起始网址就行了，在后面的采集配置里启用分页，就可以采集到每个分页列表的数据。

第二步：自动生成列表和字段

进入第二步后，对于某些网页，懒人采集器会智能分析出该页的列表，并自动高亮选择网页列表和生成列表数据，如

然后我们再对这些数据进行修整，比如删掉一些不需要的字段

点击图示三角符号，会弹出该字段采集详细配置，点击上面的删按钮即可删除该字段，其余参数后面章节会独立介绍。

如果某些网页自动生成的列表数据并不是我们想要的数据，可以点击“清除字段”，把生成的字段全部清除。

第三步：分页设置

当列表有分页时，启用分页后就可以采集到所有的分页列表数据。

网页分页有两种

普通分页：存在分页条，并显示有“下一页”按钮，点击后可以进入下一页，如之前的新浪新闻列表里的分页

瀑布流分页：网页滚动条拉到底部时会自动加载下一页内容

如果是普通分页，我们选择尝试自动设置或手动设置

自动设置分页

新建任务时默认是没有启用分页的，点击“不启用分页”，会弹出一个菜单，选择“自动识别分页”，如果识别成功，会弹出对话框提示“成功识别并设置了分页元素!”，并在网页“下一页”按钮上出现高亮的红色虚线框(部分网页按钮可能不会显示虚线框)，至此成功启用自动分页。

第四步：其他设置

在第三步的基本设置里，我们可以对浏览器做一些设置，比如禁用图片、JS、Flash、框架等，提高浏览网页的速度。

还可以设置浏览器标识(UserAgent)、代理IP、请求的间隔时间等

浏览器标识(UserAgent)：网页通过读取浏览器标识来获取客户端的一些信息

请求间隔时间：用于降低请求的频率，即降低采集速度，避免因采集太快而被封IP，如果不需要降速，可以设置为0时

多值连接符：字段设置了多个xpah提取多个元素时，使用这里自定义的连接符连接多个元素值

HTTP引擎线程数：使用HTTP请求时，多线程运行的线程数，同一个HTTP请求的任务可以拆分并使用多个线程同时采集，提高采集速度，只适用于HTTP引擎，浏览器引擎不适合。

常见问题

1、采集时怎么避免重复到重复数据?

在运行某个采集任务时，如果该任务之前有采集过数据，那么采集前如果没有清空原有数据的话，会以追加的形式将新采集数据添加到本地采集库中，这样就可能出现某些已采集过的数据再次重复采集入库，还有，如果目标网页本身也重复的数据，也可能造成数据重复，那么怎么避免采集的数据出现重复呢?

方法很简单，我们希望哪一个字段内容不允许出现重复，只要点击该字段表头上这个三角符号，再勾选“过滤重复”复选框，点击确定就可以了

2、如何采集内容页等多级网页

如果我们要采集二级页面，如内容页，或采集更深一级的页面，三级、四级等，在当前页字段列表中，必须包含有一个提取链接地址的字段，也就是提取属性为Href的字段，如图

点击该字段标题栏，选中该列后会出现“深入链接页采集”按钮

点击该按钮后会自动创建一个配置选项卡，并自动打开之前选中那个字段的一个网址。

而采集模式也自动显示为“单条模式”