八爪鱼数据采集器的内置功能有哪些
发布网友
发布时间：2022-04-19 15:13
共1个回答
热心网友
时间：2023-07-09 01:11
下面我简单说一下：
1 入门词汇介绍
1.1.1 积分
积
分是用来支付八爪鱼增值服务的一种方式，主要的用途包括：通过八爪鱼采集器采集并导出数据，在规则市场下载规则，在数据市场下载数据包，不同的账号类型在
使用上述增值服务时会有不同的收费策略，具体的收费策略和区别在下面版本说明里面有详细的解释。积分可以通过八爪鱼官方购买专业版或者旗舰版每月赠送，也
可以单独购买积分，还可以通过关注，签到，分享规则，关注微信，绑定社交账号等多种方式获得。
1.1.2 规则
规则是八爪鱼用来配置程序按照人工操作流程记录的一条程序规则，当软件配置好的则的时候，则可以按照您所配置的规则进行数据的采集，代替人工步骤。
1.1.3 云加速
八爪鱼系统是通过分布式集群部署的方式，每个集群由数量庞大的云节点组成，单个节点的采集能力相当于一台PC机的采集能力，通过八爪鱼后台的版本资源分配策略，分配到多少个云节点资源就享有几倍的加速，版本高的账户有更高的加加速倍数。
1.1.4 云优先
如果是多用户共享一个云集群的资源，一个集群的规模大小是有上限的，如果同一时间提交云集群任务过多，造成资源拥堵，那么根据用户账号版本的不同，八爪鱼系统会进行默认排序，版本高的，优先级高，将有优先获得资源分配的权益。暂时未分配到资源的任务将进行排队轮候。
1.1.5 URL
URL指正常网站的网址。
1.1.6 单机采集
单机采集是指不占用云集群的资源，只能通过八爪鱼客户端所在的PC进行工作，在工作期间，需要电脑和软件都处于运行状态，电源中断或者网路中断都会导致数据采集任务的中断
1.1.7 云采集
云
采集是指通过使用八爪鱼提供的服务器集群进行工作，该集群是7*24小时的工作状态，在客户端将任务设置完成并提交到云服务执行进行云采集之后，可以关闭
软件，关闭电脑进行脱机采集，真正的实现无人值守。除此之外云采集通过云服务器集群的分布式部署方式，多节点同时进行作业，可以提高采集效率，并且可以高
效的避开各种网站的IP封锁策略。
1.1.8 定时采集
定时采集指的是用户在设定好八爪鱼的采集规则时，定时的启动 采集程序。
1.1.9 URL循环
URL循环是指设定八爪鱼在制定的URL网址里面循环采集。
1.1.10 自动导出
自动导出是指用户在设定好导出.
1.1.11 Cookie
1）
Cookie诞生
当某个用户打开浏览器发出页面请求时，web服务器只是进行简单相应，然后就关闭与该用户的连接。所以当用户每发起一个打开网页请求到web服务器的时
候，无论是否是第一次打开同一个网页，web服务器都会把这个请求当作第一次来对待，那这样的缺陷可想而知，比如每次打开登录页面的时候都需要输入用户
名、密码。为了弥补这个缺陷，Cookie应运而生。
2）Cookie概述
Cookie就是服务器暂时存放在你计算机上的一笔资料，好让服务器来辨认你的计算机。当你在浏览网站的时候，web服务器会先送出小小资料放在你的计算
机上，cookie会帮你在网站上所打的文字（如用户名、密码）和其他一些操作都记录下来。当下次你再打开同一个网站。web服务器会先看看有没有它上次
留下的cookie资料，有的话就会依据cookie的内容来判断使用者，送出特定的网页内容给你。
3）Cookie工作原理
1.1.12 XPATH
XPATH:是一种路径查询语言，简单的说就是利用一个路径表达式找到我们需要的数据位置。
XPATH专用于XML中沿着路径查找数据用的，但是八爪鱼采集器内部有一套针对HTML的XPATH引擎，使得直接用XPATH就能精准的查找定位网页里面的数据。
1.1.13 HTML
1）
HTML概念
HTML:超文本标记语言，是用来描述网页的一种语言。主要用于控制数据的显示和外观。HTML文档也被称为网页。
2）HTML结构
完整的HTML文件至少包括<HTML>标签、<HEAD>标签、<TITLE>标签和<BODY>标
签，并且这些标签都是成对出现的，开头标签为<>，结束标签为</>，在这两个标签之间添加内容。通过这些标签中的相关属性可以
设置页面的背景色、背景图像等。
2 八爪鱼基本流程教程
2.1 打开网页
该步骤根据设定的网址打开网页，一般为网页采集流程的第一个步骤，用来打开指定的网站或者网页。如果有多个类似的网址需要分别打开执行同样的采集流程，则应该放置在循环的内部，并作为第一个子步骤。
1）网页地址
网址，一般可以从网页浏览器如IE等的地址栏中复制得到，如:http://www.skieer.com
2）使用当前循环项
配合循环骤来使用，用以重复打开多个类似的网页，然后执行同样的一套流程，循环打开网页时，应为作为循环步骤的第一个子步骤。 如果勾选此项，则无需手动设置网页地址，网页地址会自动显示循环设定的网址列表的当前循环项。
3）阻止弹出窗口
用以屏蔽网页弹窗广告，如果打开的网页偶尔会变成另外一个广告页面，则可以使用本选项阻止广告页面弹出。
4）超时
在网页加载完成前等待的最大时间，如果网页打开缓慢，或者长时间无法打开，则流程最多等待超时指定的时间，之后无论网页是否加载完成，都直接执行下一步骤，应尽量避免设置过长的超时时间，因为这会影响采集速度。
5）滚动到底部
个别网页在打开网页后并没有显示所有数据，需要滚动鼠标滚轮或者拖动页面滚动条到底部，才会加载没有显示的数据，使用此选项在页面加载完成后滚动到底部
6）激活重试
如果网页没有按照成功打开预期页面，例如显示服务器错误（500），访问频率太快等，或者跳转到其他正常执行不应该出现的页面，可以使用本选项进行重试，但必须配合以下几个重试参数执行，请注意以下几种判断的情况任意一种出现都会导致重试。
7）结果页面网址包含
如果出现的页面网址中总是出现某个特殊的字符串，例如网页找不到时一般会出现500.htm等，则使用此选项可以判断没有打开预期页面，需要重试
8）结果页面文本包含
如果出现的页面文字中中总是出现某个特殊的字符串，例如"访问频率太快"，则使用此选项可以判断没有打开预期页面，需要重试
9）结果页面文本不包含
如果正常打开网页一定会出现某个特殊的字符串，但没有正常打开的时候一定不会出现该字符串，则可以据此判断判断没有打开预期页面，需要重试
10）最大重试次数
为了避免无*重复尝试，请示用本选项*最大重复尝试的次数，如果重试到达最大允许的次数，任然没有成功，则流程将停止重试，继续执行下一步骤
11）重试间隔
在两次重试之间等待的时间，一般情况下，当打开网页出错时，立即重试很有可能是同样的错误，适当等待则可能成功打开预期网页，但应该尽量避免设置过长的等待时间，因为这会影响采集速度
2.2 点击元素
该步骤对网页上指定的元素执行鼠标左键单击动作，比如点击按钮，点击超链接等。
1）使用当前循环项
配
合循环步骤来使用，用以重复点击循环中设置的多个元素，适用于循环单个固定元素，循环固定元素列表，循环可变元素列表。
如果勾选此项，则无需设置点击的元素，要点击的元素会自动显示循环设定的当前循环项，使用该选项时，应当作为循环步骤的子步骤，但不必是第一个子元素。
2） 新标签页中打开
如
果点击元素时希望在新的标签页中打开，而不是在当前页打开，请勾选此选项。
一般情况下，在需要循环打开一个页面上的多个超链接时，需要勾选此选项以便保留列表页面，以便点击列表页上的下一个超链接；但是如果是循环点击下一页时，
则不要勾选此选项，以在当前页面打开下一页。
3) 滚动到底部
个别网页在加载完成后并没有显示所有数据，需要滚动鼠标滚轮或者拖动页面滚动条到底部，才会加载没有显示的数据，使用此选项在页面加载完成后滚动到底部
4) 异步加载数据
异步加载也叫Ajax，是一种无需重新加载网页就能刷新局部数据的技术，因此流程不能检测到网页加载完成，就不能决定何时该执行下一个步骤， 使用此选项，流程会在等待设定的超时时间后默认数据已经加载完成，从而继续执行后续流程步骤。本选项需要配合异步加载超时使用.
5) 异步加载超时
等待异步加载完成的时间，在点击元素之后，流程会开始计时，超时时间到达后，执行下一个流程步骤。本选项需要配合异步加载使用，通常使用本选项时，不能勾选“新标签页中打开”
6) 激活重试
如果网页没有按照成功打开预期页面，例如显示服务器错误（500），访问频率太快等，或者跳转到其他正常执行不应该出现的页面，可以使用本选项进行重试，但必须配合以下几个重试参数执行，请注意以下几种判断的情况任意一种出现都会导致重试。
7) 结果页面网址包含
如果出现的页面网址中总是出现某个特殊的字符串，例如网页找不到时一般会出现500.htm等，则使用此选项可以判断没有打开预期页面，需要重试
8) 结果页面文本包含
如果出现的页面文字中中总是出现某个特殊的字符串，例如"访问频率太快"，则使用此选项可以判断没有打开预期页面，需要重试
9) 结果页面文本不包含
如果正常打开网页一定会出现某个特殊的字符串，但没有正常打开的时候一定不会出现该字符串，则可以据此判断判断没有打开预期页面，需要重试
10) 最大重试次数
为了避免无*重复尝试，请示用本选项*最大重复尝试的次数，如果重试到达最大允许的次数，任然没有成功，则流程将停止重试，继续执行下一步骤
11) 重试间隔
在两次重试之间等待的时间，一般情况下，当打开网页出错时，立即重试很有可能是同样的错误，适当等待则可能成功打开预期网页，但应该尽量避免设置过长的等待时间，因为这会影响采集速度
2.3 输入文本
本步骤在输入框中输入指定的文本，例如输入搜索关键词，输入账号等。
将设定的文本输入到网页的某个输入框中，如使用搜索引擎时输入关键字。
2.4 提取数据
本步骤根据提取数据模板的配置，从网页中提取数据，同时还可配置为提取网址，网页标题，或者生成一些数据如当前时间等。
1) 抓取模板
本步骤根据提取数据模板的配置，从网页中提取数据，同时还可配置为提取网址，网页标题，或者生成一些数据如当前时间等。
2） 名字
给抓取的数据字段取个别名,如新闻标题,新闻正文
3) 提取到的数据
从网页上提取到的数据,将会在本列显示所抓取到的示例
4) 描述
对本数据字段的一些描述信息
5） 使用当前循环项
配
合循环步骤来使用，用以重复的从循环中设置的多个元素中提取数据，适用于循环单个固定元素，循环固定元素列表，循环可变元素列表。
如果勾选此项，会从循环所设置的元素中根据抓取规则提取出示例数据，使用该选项时，提取数据步骤应当作为循环步骤的子步骤，但不必是第一个子元素。
2.5 循环
1）本步骤用来重复执行一系列步骤，根据配置不同，支持多种模式。
循环固定单个元素，例如循环点击每一页中的下一页按钮；
2）循环固定列表，例如循环处理一个页面中指定的多个元素；
3）循环可变列表，当需要循环处理多个页面，但是每个页面上要处理的元素数量不固定时使用；
4）循环网址列表，主要用来循环打开一批指定网址的网页，然后执行同样的处理步骤。
1） 循环注意事项
1）元素在IFRAME里
如果循环中设置的元素在IFRAME里，请勾选此项，并在后面的IFAMEXPah中填写IFRAME的XPATH
2）IFAMEXPah
元素所在IFRAME的路径，只有当勾选'元素在IFRAME里'时这个设置才会生效。
3）固定的一个元素
循环的对一个元素进行特定操作，如循环点击下页，下翻下拉列等，当翻到最后一页或下拉列表已到最后一项时，会自动结束当前循环。
4）固定的元素列表
逐个的对列表中的元素进行特定操作，如循环点击、从中提取数据、将鼠标悬停在元素上，当所有元素循环完毕时，会自动结束当前循环。
5）动态元素列表
当元素列表不是固定的，可指定一个动态路径（多个元素都符合此路径，即可以根据此路径定位到多个元素），系统会根据指定路径先找到一个元素列表，然后执行跟‘固定的元素列表’一样的操作。
6）URL列表
配合打开网页操作作用，指定一个URL列表，确保循环里面的打开网页操作的使用当前循环项标识已勾选，以逐个的打开URL列表中的连接。
7）循环执行次数等于
在执行到指定次数时退出循环
2.6 翻下拉列表
本
步骤用于切换下拉列表
1）从option顺序/到option顺序
默认为空，代表从下拉列表第一个顺序切换，直到最后一个，但有时需要跳过第一个选项，从第二个或者中间某个位置开始切换下拉列表，
使用这两个选项可以控制切换的起始和结束顺序，例如，假设下拉选项有5个，需要从第2个顺序切换到第4个，则“从option顺序”设置为2，“到
option顺序”设置为4。
2）跳过值/到值
默认为空，表示按照设定，顺序切换下拉列表，但如果切换中需要跳过某个下拉项，则使用此设置，可以控制跳过的范围，
例如，假设下拉列表有5个选项，值分别是10、11、12、13、14，如果需要跳过12，则设置“跳过值”为12，如果需要跳过12、13，则设置“跳
过值”为12，“到值”设置为“13”。
3）使用当前循环项
配合循环步骤来使用，用以重复的循环中的指定的下拉列表切换到下一个选项。
4）异步加载数据
异步加载也叫Ajax，是一种无需重新加载网页就能刷新局部数据的技术，因此流程不能检测到网页加载完成，就不能决定何时该执行下一个步骤，
使用此选项，流程会在等待设定的超时时间后默认数据已经加载完成，从而继续执行后续流程步骤。本选项需要配合异步加载超时使用
5）异步加载超时
等待异步加载完成的时间，在点击元素之后，流程会开始计时，超时时间到达后，执行下一个流程步骤。本选项需要配合异步加载使用。
6）激活重试
如果网页没有按照成功打开预期页面，例如显示服务器错误（500），访问频率太快等，或者跳转到其他正常执行不应该出现的页面，可以使用本选项进行重试，
但必须配合以下几个重试参数执行，请注意以下几种判断的情况任意一种出现都会导致重试。
7）结果页面网址包含
如果出现的页面网址中总是出现某个特殊的字符串，例如网页找不到时一般会出现500.htm等，则使用此选项可以判断没有打开预期页面，需要重试
8）结果页面文本包含
如果出现的页面文字中中总是出现某个特殊的字符串，例如"访问频率太快"，则使用此选项可以判断没有打开预期页面，需要重试
9）结果页面文本不包含
如果正常打开网页一定会出现某个特殊的字符串，但没有正常打开的时候一定不会出现该字符串，则可以据此判断判断没有打开预期页面，需要重试
10）最大重试次数
为了避免无*重复尝试，请示用本选项*最大重复尝试的次数，如果重试到达最大允许的次数，任然没有成功，则流程将停止重试，继续执行下一步骤
11）重试间隔
在两次重试之间等待的时间，一般情况下，当打开网页出错时，立即重试很有可能是同样的错误，适当等待则可能成功打开预期网页，但应该尽量避免设置过长的等
待时间，因为这会影响采集速度
2.7 条件分支
本步骤会从左到右选择第一个符合条件的分支，并执行该分支
1）总是
不设置任何判定条件，该分支总是符合执行条件
2）当页面中包含文本
当页面中包含指定文本是，该分支符合执行条件
3）当页面中包含元素
当页面中包含指定元素时，该分支符合执行条件，配合元素XPATH使用
4）元素XPATH
判定条件元素的XPATH路径
5）在IFRAME里
如果判定条件元素在IFRAME里，请勾选此项，并在后面的IFAMEXPah中填写IFRAME的XPATH
6）IFAMEXPah
元素所在IFRAME的路径，只有当勾选'元素在IFRAME里'时这个设置才会生效。
2.8 鼠标悬停
本步骤用于将鼠标悬停在指定元素上。
1) 使用当前循环项
配合循环步骤来使用，用以重复的将将鼠标悬停循环中指定的元素上，然后执行下面的流程。
2) Ajax加载数据
Ajax
也叫异步加载，是一种无需重新加载网页就能刷新局部数据的技术，因此流程不能检测到网页加载完成，就不能决定何时该执行下一个步骤。
很多网页会在鼠标悬停在某些元素上时异步加一些数据，并在页面上显示。使用此选项，流程会在等待设定的超时时间后默认数据已经加载完成，从而继续执行后续
流程步骤。本选 项需要配合异步加载超时使用
3） 异步加载超时
等待异步加载完成的时间，在点击元素之后，流程会开始计时，超时时间到达后，执行下一个流程步骤。本选项需要配合异步加载使用。
2.9 如何下载采集规则
为
了避免配置采集规则的重复工作，八爪鱼采集器内置了规则市场，由用户分享配置好的采集规则，互帮互助。
使用规则市场下载规则的好处显而易见，可以不用花费时间研究和配置采集流程。很多网站的采集规则都可以在规则市场中搜索到，下载运行即可采集。
下载规则需要使用八爪鱼采集器，具体操作步骤：打开八爪鱼采集器->采集规则->规则市场。
3.0 如何使用规则
1）
使用从规则市场下载的规则
一般从规则市场下载的规则是.otd为后缀的规则文件，4.*以后的版本中会自动导入下载的规则文件。以前的版本中需要手动导入下载的规则文件。
手动导入方式：八爪鱼规则文件（.OTD）直接双击即可打开导入向导，或者打开八爪鱼采集器, 快速开始 ->
导入规则，然后按照向导提示导入规则。 但有时候会下载到.zip为后缀的压缩文件，压缩文件解压后包含多个.otd规则文件，需要先解压，然后导入。
2）使用接收到的规则
使用邮件或者其他即时通讯软件接受到的规则，可以参考上一节说明，手动导入。
