在日常工作和學習中，對一些有價值的文章進行采集可以幫助我們提高對信息的利用率和整合率，對于新聞、學術論文等類型的電子文章，我們可以采用網頁抓取工具進行采集，這類采集相對一些數字化的非規律性的數據還是較為容易的，這里以網頁抓取工具火車采集器V9為例，講解一個文章采集的實例以供大家學習。
熟悉火車采集器的朋友都知道，通過官網的FAQ可以檢索采集過程中遇到的問題，那么這里我們就以采集faq為例來說明網頁抓取工具采集的原理和過程。
本例以 http://faq.locoy.com/qc-12.html 演示地址。
（1）新建個采集規則
選擇一個分組上右擊，選擇“新建任務”，如下圖：
（2）添加起始網址
在這里假設我們需要采集 5頁數據。
分析網址變量規律
第一頁地址：http://faq.locoy.com/qc-12.html?p=1
第二頁地址：http://faq.locoy.com/qc-12.html?p=2
第三頁地址：http://faq.locoy.com/qc-12.html?p=3
由此我們可以推算出p=后的數字就是分頁的意思，我們用[地址參數]表示：
所以設置如下:
地址格式：把變化的分頁數字用[地址參數]表示。
數字變化：從1開始，即第一頁；每次遞增1，即每次分頁的變化規律數字； 共5項，即一共采集5頁。
預覽：采集器會按照上面設置的生成一部分網址，讓你來判讀添加的是否正確。
然后確定即可
（3）[常規模式]獲取內容網址
常規模式：該模式默認抓取一級地址，即從起始頁源代碼中獲取到內容頁A鏈接。
在這里給大家演示用 自動獲取地址鏈接 +設置區域 的 方式來獲取。
查看頁面源代碼找到文章地址所在的區域：
設置如下：
注：更詳細的分析說明可以參考本手冊：
操作指南 > 軟件操作 > 網址采集規則 > 獲取內容網址
點擊網址采集測試，看看測試效果
（3）內容采集網址
以 http://faq.locoy.com/q-1184.html 為例講解標簽采集
注：更詳細的分析說明可以參考本手冊
操作指南 > 軟件操作 > 內容采集規則 > 標簽編輯
我們首先查看它的頁面源代碼，找到我們“標題”所在位置的代碼：
<title>導入Excle是跳出對話框~打開Excle出錯 - 火車采集器幫助中心</title>
分析得出： 開頭字符串為：<title>
結尾字符串為：</title>
數據處理——內容替換/排除：需要把- 火車采集器幫助中心 給替換為空
內容標簽的設置原理也是類似的，找到內容所在源碼中的位置
分析得出： 開頭字符串為：<div id="cmsContent">
結尾字符串為：</div>
數據處理——HTML標簽排除：把不需要的A鏈接等 過濾
再設置個“來源”字段
這樣一個簡單的文章采集規則就做好了，不知道網友們學會了沒有呢，網頁抓取工具顧名思義是適用于網頁上的數據抓取，從上面的例子大家也可以看出，這類軟件主要是通過源代碼分析才解析數據的。這里還有一些情況是沒有列出的，比如登錄采集，使用代理采集等，如果對網頁抓取工具感興趣的可以登錄采集器官網自行學習一下。
