来自 技术 2019-03-16 的文章

GoldData学习实例-采集官网新闻数据

概述

我们将讲述抓取官网地方 新闻。并将抓取的新闻数据融入到以下两张数据表news_site和news中。

news_site(新闻来源)

字段类型说明idbigint主键,自动增长namevarchar(128)来源名称

news(新闻)

字段类型说明idbigint主键,自动增长titlevarchar(128)标题site_idbigint外键,指向表news_site的id字段contenttext内容pub_datedatetime发布时间date_createddatetime加入时间

我们很容易看到这两张表存在关联,那是怎样将数据写入关联呢,我们将再此一一介绍。

定义站点、数据集

定义抓取和抽取规则

在这里我们需要填入口地址。入口地址如果有多个,那么要以英文逗号相隔。如下图所示:

接下来我们编写规则时,首先是匹配URL,这里需要填写正则表达式。旁边的“?”号,点击后就会弹出相应的帮助文档。如下图所示:

然后数据集选择则我们要注意,如果抓取的仅需要的是链接,那么是否数据集选择否,且数据集字段必须要有一个名为href的字段。如下图所示:

否则是否数据集应该选择是,且数据集字段必须要有一个名为sn的字段。sn字段存放的数据一般是唯一值,相当于数据表里的id字段。如下图所示:

完整的规则内容显示如下:

[ { __sample: http://sousuo.gov.cn/column/40520/0.htm match0: http\:\/\/sousuo\.gov\.cn\/column\/40520/\d+\.htm fields0: { __model: false __node: .news_box a href: { expr: a attr: abs:href js: "" __label: 链接 __showOnList: false __type: "" down: "0" accessPathJs: "" uploadConf: "" } } } { __sample: http://www.gov.cn/xinwen/2019-02/26/content_5368539.htm match0: http\:\/\/www\.gov\.cn/xinwen/2019-\d{2}/\d{2}/content_\d+.htm fields0: { __model: true __dataset: news __node: ".article " sn: { expr: "" attr: "" js: ''' var xx=md5(baseUri) xx ''' __label: 编号 __showOnList: false __type: "" down: "0" accessPathJs: "" uploadConf: "" } title: { expr: .article >h1 attr: "" js: "" __label: 标题 __showOnList: true __type: "" down: "0" accessPathJs: "" uploadConf: "" } pubdate: { expr: .pages-date:matchText attr: "" js: "" __label: 发布时间 __showOnList: false __type: "" down: "0" accessPathJs: "" uploadConf: "" } source: { expr: .pages-date > span.font:contains(来源) attr: "" js: ''' var xx=source.replace("来源:",''); xx ''' __label: 来源 __showOnList: true __type: "" down: "0" accessPathJs: "" uploadConf: "" } content: { expr: .pages_content attr: "" js: "" __label: 新闻内容 __showOnList: false __type: "" down: "0" accessPathJs: "" uploadConf: "" } } }]

配制和启动抓取器

一个抓取器可以配制抓取多个站点,一个站点也可以配制多个抓取器抓取。

然后点击“开始”,则会启动抓取器。

查看和导出数据

可以按照搜索条件进行导出数据。选择“导出”按扭后,还将提示导出哪些数据段,最后导出文件。 如果数据少量,将会导出为excel文件,否则下载的打包之后的zip文件。如下图所示:

本节内容描述到这里,下一篇将讲述如何通过金色数据如何将数据融合到数据表当中去。

标签:   为什么连接不上阿里云的虚      thinkphp配置   
上一篇:没有了
下一篇:没有了