智能web網頁爬蟲原理，不用寫一行代碼

列表頁解析

列表定位

1. 同性質子元素排序
2. 元素面積排序
3. 用戶確認區域後元素xpath並存儲

分頁按鈕定位

1. 不包含子元素且文字包含“下一頁，點擊查看更多”等文字的標籤。
2. 調用dom.click()方法自動進入下一頁，或者提取鏈接，存儲xpath

列表項解析

1. 標題解析：列表項中字體權重最大的標籤爲標題。用戶確認後存儲xpath。
2. 詳情鏈接提取：標題往上找到a標籤。解析後存儲xpath
3. 封面解析：列表項中面積最大的圖片。存儲xpath

詳情頁解析

內容識別

1. 標題：標題使用列表項的標題即可。
2. 詳情：文本類子元素最多的元素，且頁面面積佔用最大。存儲xpath。
3. 時間解析：正則匹配時間即可，匹配到之後嘗試緩存xpath。
4. 來源解析：正則匹配即可，同上。

後處理

• 詳情：希望保留詳情的一些排版，比如代碼塊，高亮區域等。將HTML轉爲Markdown即可。在使用時轉回HTML顯示。
• 時間：使用dateparser將時間轉爲ISO8601標準時間或者時間戳即可。
• 存儲：建議存儲至MongoDB，無需提前定義表結構。

上述方案兼容90%的標準網站，比如拉鉤，京東，segmentfault，v2ex，58同城等等。

DEMO已經開發完畢，交流討論或者商業合作請發站內信。