前嗅网络发表于2023年0月10日12:46最后回复于2023年0月10日12:46

【从零开始学爬虫】采集全球海关进出口新闻数据

275浏览量

0评论

图片

l 采集网站

【场景描述】采集全球海关进出口新闻数据。


【源网站介绍】海关数据网提供全球200多个国家的海关数据及在线查询分析系统,贸易流向数据、进出口统计数据和进出口研究报告。


【使用工具】前嗅ForeSpider数据采集系统,免费下载:


图片


ForeSpider免费版本下载地址
【入口网址】


http://hgsj.com/News/149.html


【采集内容】

采集全球各个国家最新进出口海关数据,新闻信息。

图片

【采集效果】

如下图所示:

图片


思路分析

配置思路概览:

图片

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。

图片


选择【抽取链接】的所有链接,勾选【列表链接】【普通翻页】,然后点击【完成】。


图片

可在页面看到网站信息。

图片

2.抽取翻页链接

点击【采集预览】,可看到所有链接

图片

①在入口页搜索选择不同页数,发现不同页数搜索结果的链接,得出页数链接的拼接规则为:http://hgsj.com/News/149_+ 页码.html

图片


②在【模板抽取配置】选择频道(即任务名称),选择【脚本窗口】,将页数搜索配置在频道处即可。


图片

③具体配置脚本如下:

一共包含17页

图片

代码】如下:










url u;    for(var i =1;i<=17;i++){u.urlname = "http://hgsj.com/News/149_"+i+".html";u.title = "第"+i+"页";u.tmplid = 1;RESULT.AddLink(u);}


④点击【保存】,点击【采集预览】,即可看到配置效果。

显示所有页

图片

3.链接抽取

这一步是在获取的翻页链接中,提取每页全部新闻链接:

①点击【列表链接】。


图片

图片


②采用地址过滤的方法来抽取表一链接,具体如下所示:

点击【采集预览】,先观察标题链接规律,找到规律,很明显标题链接

中都包含:http://hgsj.com/News/

图片

然后设置地址过滤,过滤包含“/News”的链接,这样就把列表链接过滤出来了。

图片

③关联模板,点击【列表链接】抽取,关联模板02。

图片


4.数据抽取

①链接抽取完成进入数据页,在原有模板基础上添加数据抽取,点击【列表模板】然后点击【添加数据抽取】按钮。

图片

②此时要完成数据建表的工作:

a.选择【数据建表】,点击【采集数据表结构】中的【+】,即可添加表单,名称可以自定义。

图片

b.另外需要注意,每一个表单都需要配置主键字段,需要使用脚本的字段,在高级类型中选择脚本取值才可进行脚本操作。

id字段设置如下:

图片

c.其它字段根据实际需求配置即可。

新闻标题title字段配置如下:

图片

新闻发布时间stime字段设置如下:

图片

新闻内容部分content字段设置如下:

图片

③将新建好的数据表,关联到模板中去,如下图所示:

图片

④填写示例地址

采集预览】,右键复制任意一条列表链接。

图片

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。

图片

⑥需要配置哪一个字段,点击该字段,在右侧字段属性中配置即可,如果选择脚本配置的字段,在脚本窗口中进行代码配置。

id字段:主键字段,采集内容选择【主键】-【网页主键】,主键为当前网页的MD5值。

图片

title字段:点击title,ctrl+鼠标点击设置选区

图片图片

 stime字段:点击stime,ctrl+鼠标点击设置选区


图片图片

content字段:点击content,ctrl+鼠标点击设置选区


图片图片

⑦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。

图片

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.建立采集数据表
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news(注意命名不能用数字和特殊符号),点击【确定】。



图片

图片

创建完成,勾选数据表。

图片

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。


图片

图片

采集进行中...

图片


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。

 

图片


图片


采集结束后,可以在【数据浏览】中,可以导出数据。

图片

导出的文件打开如下图所示:

图片

本教程仅供教学使用,严禁用于商业用途!


l 前嗅简介

前嗅大数据,国内领先的研发型大数据专家,多年来致力于为大数据技术的研究与开发,自主研发了一整套从数据采集、分析、处理、管理到应用、营销的大数据产品。前嗅致力于打造国内第一家深度大数据平台!



长按识别下面二维码

添加老师,免费领取本文模板

本公众号粉丝专享福利

图片

立即扫码,免费领取



私信

举报