快速教程

本文给不想看详细教程的同学使用，仔细阅读，可以让你战斗力爆棚：

1.界面和交互

1.1.主工作区

启动后，在欢迎页面有三个tab页： 新建任务，任务市场和参数设置。欢迎页面非常重要，能够新建任务，或者浏览相关文档和帮助。

front.gif

  1. 新建任务：双击图标即可新建和加载已有任务
  2. 点击tab菜单【文件】可加载，保存任务，任务为xml文件。
  3. 下侧是【数据管理】，空白处右键可新建连接，连接名上右键可配置，支持本地文件(xls,txt,json)，数据库(mongodb,sqlite)。数据库需要连接后才能使用，可勾选【自动连接】.

1.2.状态区

在Hawk主界面右侧是当前的状态，包括三个区域：

  • 已加载任务
  • 数据管理：可显示生成的或从文件中导出的表

  • 工作线程视图：正在执行的任务都会显示在这里

  • 软件右下角对应的是【系统状态视图】，左右侧分别是已加载的任务和数据集。 左键查看，右键配置，空白处右键批量管理。 下面的图标可用于删除，拷贝，保存等功能，把任务或数据集拖到图标上试试！

  • 【网页采集器】用于配置单个网页的抓取规则，【数据清洗】用于打造清洗流程，并调用前者。 复杂任务会创建多个清洗并互相调用。

2.网页采集器

网页采集器 模拟了浏览器的设计，填入网址，点击刷新，即可获取对应地址的html源码。

认识到网页是一棵树(DOM)后，每个XPath对应一个属性，即可从网页上获取单个或多个文档。网页采集器的目的就是更快地通过手工或自动配置找到最优XPath。

2.1.工作模式

使用采集器，首先要按照抓取的目标，选择合适的工作模式：

  • 多文档: 会输出多份文档，通常在网页的列表页中使用， 如二手房的列表页面，新闻的列表页
  • 单文档: 输出单份文档，一般在网页的详情页中使用，如京东的订单页，新闻
  • 不进行转换: 直接输出网页源代码，放置于Content列中

注意:

  • 一个复杂的页面可能包含多个列表和详情，因此模式的选择主要取决于要抓取的数据是什么
  • 当在 多文档或 单文档模式，且属性数量为0时，也和 不进行转换行为一致

2.2.基本操作

  • 左侧的区域，显示了html源码和浏览器视图（但不能执行js)，可通过上侧tab页切换。
  • 右侧是配置区域，可对关键字进行搜索，并对所有的属性进行管理。
  • 点击【提取测试】，可预览检查配置结果。

在多文档模式下，通常直接点击右上角的手气不错，在弹出的结果下选择所需数据，可配置其名称和XPath。点击确定即可配置完毕。即可自动获取绝大多数网页的目标内容。

手气不错

可手工填入搜索字符，即可在网页上快速定位元素和XPath，可在多个结果间快速切换，找到所需数据后，输入属性名称后手工添加属性。

2.3.高级功能

  1. 点击【Http请求详情】，可修改网页编码，代理，cookie和请求方式等，网页出现乱码可用
  2. 若希望自动登录，或获取动态页面(ajax)的真实地址，填入搜索字符，点击【自动嗅探】，在弹出的浏览器中翻到对应的关键字，Hawk就能自动捕捉真实请求
  3. 超级模式下，Hawk会将源码中的js,html,json都转成html，从而使用手气不错, 更通用但性能较差
  4. 填写【共享源】，本采集器同步共享源的【Http请求详情】，避免重复设置cookie代理等。
  5. 详情页(单文档模式)也可以手气不错(Hawk3新功能)，搜索所需字段，不需要添加到属性列表，点击手气不错试试！
  6. 网页地址也可以是本地文件路径，如D:\target.html, 用其他方法保存网页后，再通过Hawk分析网页内容

单文档模式下的手气不错

3.数据清洗

数据清洗可以通过组合多个不同的子模块，生成多样的功能，通过拖拽构造出一个工作流，它能够产生一个有限或无限的文档序列。比如下面：

image_1auq4oooc1m8m9tc02sjv1j4o9.png-71.6kB

etl.gif

3.1.基本操作

  • 左侧是所有模块列表，分为生成，转换，过滤和执行四种类型，可通过名称和拼音首字母快速检索。顺序组合可构成复杂任务。
  • 右侧是数据预览，可将左侧选中的模块拖入到右侧对应列上。 双击每个列上面的模块对其配置。将鼠标停靠字段上可查看使用介绍
  • 预览时，处理是串行的，数据不会被写入，有缓存，调试所见即所得。 只有在执行模式下才会并行快速执行。
  • 执行器可看做带有副作用(如写入文件)的转换器，只有在执行时才会运行
  • 生成器通常位于任务开头，可从文本，文件，数据库读取数据。生成器也能位于流的中间，通过多种模式与已有数据流组合
  • 下方菜单栏可点击刷新，前后单步，可通过采样量来修改预览的数据量。配置完毕无误后，左侧面板点击执行即可。
  • 很多问题来自于模块顺序不对，任何步骤错误，会导致连锁的问题，因此有必要使用单步调试，在调试到某步时，拖入的模块会插入到所在位置。

3.2.高级功能和技巧

  1. 输入列一般不用配置，需要时可下拉选择，也可手工输入文本。列名不要为纯数字，否则无法正常显示。
  2. 关于Python转换器：最后一行必须是可求值的表达式。例如有两列a,b,转换器输出列为c，表达式为a+b，则c列内容就是a+b。但表达式不能写c=a+b； Python是强类型语言，输入的数据可能是字符串或数字，因此必要时需要做类型转换；通过填写库路径，可让转换器调用第三方模块。
  3. 可在任务的各个位置拖入多个执行器(如【写入数据表】)，它保存的是当前状态的数据。
  4. 子任务：任务可互相调用，功能非常强大，可用于处理多次跳转，详情页还包含列表的问题，比较复杂，需参考相关文档。

3.3.对配置的约定

  • 具体数值，直接填入配置框即可
  • 涉及到输入多个列名，多个分隔符等，都默认用空格分割，例如a b c
  • 当希望从本数据清洗中读取其他列的数据到本参数，使用方括号表达式，例如[col]
  • 当希望从全局配置中读取特定字段时，使用大括号表达式，例如{YOUR_CONFIG}
  • 希望将多个列的数据合并作为参数时，可先使用合并多列，再使用对应的表达式
  • 配置子任务的模块范围时：1:100表示从1到100， 2:-2表示从第2个模块到倒数第二个模块，可参考Python的slice写法
  • 配置子任务的字段映射时，可以用a:b c:d表示a列映射到b列，以此类推。

4.一些忠告

  1. Hawk除了做爬虫，还能做数据清洗，甚至批量执行命令，需要你来挖掘。
  2. Hawk对代理的支持不够（免费的就知足吧），避免过度抓取导致屏蔽。
  3. 记得经常保存任务，尽量将数据写入到数据库而非表里，否则程序可能崩溃难以挽回。

5.如何提问

Hawk是个免费的系统，因此没有客服mm（谁请得起，设计者也不够帅），因此好的问题能极大地提升解决问题的速度。请按照如下方式描述你的问题：

  • 抓取的网站地址，要抓取什么内容，在页面的什么位置，是什么范围。
  • 如果能提供你的工程文件，可在附录中给出，这能最大程度解决问题。
  • 如果是界面出现异常，请提供在什么环境下，点击什么按钮，报出什么异常，并发送所执行文件夹的log.dat日志文件作为附件。
  • 操作系统版本，.Net Framework环境（不是必须）

请尽量避免如下提问方式，这样的提问没有任何意义，作者也无法解决你的问题：

  • XXX网站怎么爬
  • XXX不会用，用不了
  • XXX出问题了

提问按照如下优先级进行：

  1. 推荐使用Github的issue,方便其他朋友查阅已有的问题。: https://github.com/ferventdesert/Hawk/issues
  2. 加入QQ群： 546750531(Hawk数据抓取交流)
  3. 给作者发邮件: buptzym@qq.com