前嗅网络发表于2022年12月28日15:16最后回复于2022年12月28日15:16

前嗅教你大数据:采集全国高校导师数据

127浏览量

0评论

l 采集网站

【场景描述】采集全国高校研究生导师数据。

【源网站介绍】考研派涵盖各大院校研招信息、研究生专业库、考研经验、考研资料、考研辅导、考研问答、找研友、考研论坛等功能板块。

【使用工具】前嗅ForeSpider数据采集系统,免费下载:


http://www.forenose.com/view/forespider/view/download.html



【入口网址】

http://www.okaoyan.com/daoshiku/

【采集内容】

采集考研派上的全国所有高校研究生导师数据。

 

【采集效果】

如下图所示:


l 思路分析

配置思路概览:

配置步骤

1.新建采集任务

选择【采集配置】,点击任务列表右上方【+】号可新建采集任务,将采集入口地址填写在【采集地址】框中,【任务名称】自定义即可,点击下一步。

 

2.获取翻页链接

采用链接过滤的方法来抽取城市链接,具体如下所示:
①点击采集预览,先观察城市链接规律,找到规律,很明显城市链接中都包含:http://www.okaoyan.com/daoshiku/list_1221_

 

②设置地址过滤,过滤包含“http://www.okaoyan.com/daoshiku/list_1221_”的链接,这样就把城市链接过滤出来了。


3.抽取高校链接

①在模板01下再新建一个链接抽取,改名为【高校链接】。

 

②关联模板,将翻页链接抽取,关联模板01。


③使用链接过滤的方法来获取高校链接

先采集预览,打开高校链接预览结果,找到高校链接并观察规律,发现其中都包括:“http://www.okaoyan.com/daoshiku/一串数字.html”。


③设置地址过滤,过滤包含“http://www.okaoyan.com/daoshiku/\d.html”的链接,\d表示一串数字,这样就把高校链接过滤出来了。

 

4.抽取导师链接

①新建模板02,在其下新建一个数据抽取模板,改名为:导师链接,具体操作如下所示:

 

②关联模板

把模板01中的高校链接,关联至模板02,具体操作如下所示:

 

③采集预览,如下图所示,观察导师链接规律,发现导师链接中都包含“http://www.okaoyan.com/一串字母/一串字母_一串数字.html”

 

④设置地址过滤,过滤包含“http://www.okaoyan.com/\c/\c_\d.html”的链接,\d表示一串数字,\c表示一串字母,这样就把导师链接过滤出来了。

 

5.抽取导师数据

①新建模板03,在模板03下新建一个数据抽取。

 

②数据建表,按照下图所示建数据表。(注意字段属性等应严格按照下图进行设置)

 

③将新建好的数据表,关联到模板中去,如下图所示:

 

④填写示例地址

采集预览,复制任意一条导师链接。


⑤将链接粘贴到本模板示例地址中,并双击内置浏览器空白部分,加载本链接。

 

⑥关联模板

将模板导师链接抽取模板关联模板03,如下图所示:

 

⑦数据取值

使用定位取值和数据清洗的方法,college字段如下所示:


Name_字段如下所示:

 

text字段如下所示:



tel字段如下所示,挖掘手机号码规则为:{#n:[11,11]}

 

email字段如下所示,挖掘邮箱规则为:{#(ncC\_\-):(2,32)}@{#(ncC):[1,16]}.{#(ncC):[1,16]}<.{#(ncC):[1,16]}><.{#(ncC):[1,16]}>


 

⑧采集预览

采集预览如下图所示,说明配置成功,可以开始采集。如果有哪个字段或者数据没有出来,再次检查之前配置,正确配置模板。

 

采集步骤

模板配置完成,采集预览没有问题后,可以进行数据采集。

①建立数据表单:

选择【数据建表】,点击【表单列表】中该模板的表单,在【关联数据表】中选择【创建】,表名称自定义,这里命名为【daoshiku】(注意命名不能用数字和特殊符号),点击【确定】。创建完成,勾选数据表,并点击右上角保存按钮。


②开始采集

选择【数据采集】,勾选任务名称,点击【开始采集】,则正式开始采集。


③导出数据

采集结束后,可以在【数据浏览】中,选择数据表查看采集数据,并可以导出数据。

 

④导出的文件打开如下图所示:


本教程仅供教学使用,严禁用于商业用途!




私信

举报