概述

創(chuàng)新互聯(lián)是一家專業(yè)提供平遠企業(yè)網(wǎng)站建設(shè),專注與成都網(wǎng)站建設(shè)、網(wǎng)站建設(shè)、H5技術(shù)、小程序制作等業(yè)務(wù)。10年已為平遠眾多企業(yè)、政府機構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)站設(shè)計公司優(yōu)惠進行中。

在本節(jié)中，我們將講述抓取政府官網(wǎng)地方新聞。并將抓取的新聞數(shù)據(jù)融入到以下兩張數(shù)據(jù)表news_site和news中。

news_site（新聞來源）

news（新聞）

我們很容易看到這兩張表存在關(guān)聯(lián)，那是怎樣將數(shù)據(jù)寫入關(guān)聯(lián)呢，我們將再此一一介紹。

定義站點、數(shù)據(jù)集

定義抓取和抽取規(guī)則

在這里我們需要填入口地址。入口地址如果有多個，那么要以英文逗號相隔。如下圖所示：

接下來我們編寫規(guī)則時，首先是匹配URL，這里需要填寫正則表達式。旁邊的“？”號，點擊后就會彈出相應的幫助文檔。如下圖所示：

然后數(shù)據(jù)集選擇則我們要注意，如果抓取的僅需要的是鏈接，那么是否數(shù)據(jù)集選擇否，且數(shù)據(jù)集字段必須要有一個名為href的字段。如下圖所示：

否則是否數(shù)據(jù)集應該選擇是，且數(shù)據(jù)集字段必須要有一個名為sn的字段。sn字段存放的數(shù)據(jù)一般是唯一值，相當于數(shù)據(jù)表里的id字段。如下圖所示：

完整的規(guī)則內(nèi)容顯示如下：

[
  {
    __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: 鏈接
        __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: 編號
        __showOnList: false
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: ""
      }
      title:
      {
        expr: .article >h2
        attr: ""
        js: ""
        __label: 標題
        __showOnList: true
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: ""
      }
      pubdate:
      {
        expr: .pages-date:matchText
        attr: ""
        js: ""
        __label: 發(fā)布時間
        __showOnList: false
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: ""
      }
      source:
      {
        expr: .pages-date > span.font:contains(來源)
        attr: ""
        js:
          '''
          var xx=source.replace("來源：",'');
          xx
          '''
        __label: 來源
        __showOnList: true
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: ""
      }
      content:
      {
        expr: .pages_content
        attr: ""
        js: ""
        __label: 新聞內(nèi)容
        __showOnList: false
        __type: ""
        down: "0"
        accessPathJs: ""
        uploadConf: ""
      }
    }
  }
]

配制和啟動抓取器

一個抓取器可以配制抓取多個站點，一個站點也可以配制多個抓取器抓取。

然后點擊“開始”，則會啟動抓取器。

查看和導出數(shù)據(jù)

可以按照搜索條件進行導出數(shù)據(jù)。選擇“導出”按扭后，還將提示導出哪些數(shù)據(jù)段，最后導出文件。 如果數(shù)據(jù)少量，將會導出為excel文件，否則下載的打包之后的zip文件。如下圖所示：

本節(jié)內(nèi)容描述到這里，下一篇將講述如何通過金色數(shù)據(jù)如何將數(shù)據(jù)融合到數(shù)據(jù)表當中去。

（注：本內(nèi)容是根據(jù)培訓視頻整理而成,https://golddata.100shouhou.com/front/docs）