HyperlinkCollector超链采集器单机版v0.1

软件采用python的pyside2和selenium开发,暂时只支持window环境，抓取方式支持普通程序抓取和selenium模拟浏览器抓取。软件遵守robots协议。

首先下载后解压缩，然后运行app目录下的HyperlinkCollector.exe

运行后，我们先创建一个采集项目。

主要是填写项目名称和起始页url，如果采集多个列表页，可以添加完成后在“设置起始页”中进行修改。

创建好项目后，我们右键选择一个起始页，然后选择“抓取测试”，运行后，会在下面显示抓取到的url。

这里我以抓取东方财富网新闻为例：我们要抓取文章的内容，设置一下内容页URL的规则，比如这里我们在“url必须包含”中填写“finance.eastmoney.com/a/”。

然后再重新右键选择起始页进行抓取测试。这时候获取的url就是根据我们设置的规则获取的内容url。然后继续选择其中一条内容url，右键选择“抓取测试”。这时候，测试结果里会显示抓取的内容字段（系统默认添加了一个title和一个body）。

点击切换到“预览”标签，这里显示的是内容页url的预览 ，可以鼠标划取要抓取的内容部分，比如我们要抓取文章内容，我们可以只划取内容开头的一段文字，这时候会弹出一个快捷菜单，可以获取所选内容的xpath或者css选择器名称。

我这里以css选择器为例，点击“获取css选择器”之后，弹出窗口中，显示了包含所选内容的所有”css选择器名称”，这里可以对给出的css选择器进行测试，我们选择其中一个对应的。这里需要注意：获取的css选择器是当前选择内容的css选择器，实际中可能需要的是它的父级，这个要根据实际情况进行调节。比如我要抓取整篇文章，但划取后给出的css选择器是“html>body>div.main>div.contentwrap>div.contentbox>div.mainleft>div.zwinfos>div.txtinfos>p” ，只是其中我划取的那一段。这时候可以直接在文本框中修改，使用当前的父级“html>body>div.main>div.contentwrap>div.contentbox>div.mainleft>div.zwinfos>div.txtinfos”，然后再点击测试按钮，看看获取的内容是否正确。

设置完成后，选择”添加到采集字段”，将设置的 “css选择器”添加到采集字段

然后写一个字段名称保存。然后可以再进行一次测试看是否正常。

最后选择”保存当前项目设置”，设置任何修改后，要记得保存，否则采集时还是按以前的规则采集。

做完上面设置后，我们可以在左边的 项目列表中，右键选择刚刚设置的项目，然后选择“运行所选项目”

然后软件就会进行抓取。

数据保存，可以设置保存为excel或导出到接口，默认情况时保存到excel。但实际应用中更实用的时通过一个接口程序保存，以便根据自己的需求对采集数据进行二次加工处理。保存到接口时，数据是以json格式post提交的。设置中给了一个php接收的示例，您可以根据实际情况进行修改。

CSDN下载地址:

免费爬虫软件“HyperlinkCollector超链采集器v0.1”单机版

软件现在免费使用，有些功能还在不断完善中，如果您在使用软件中有什么问题，或者有开发需求，可以与我联系。