【从零开始学爬虫】采集全球海关进出口新闻数据

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：

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。

【采集效果】

如下图所示：

l 思路分析

配置思路概览：

l 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。

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】。

可在页面看到网站信息。

​

2.抽取翻页链接

点击【采集预览】，可看到所有链接

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

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。

③具体配置脚本如下：

一共包含 17 页

【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

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】。

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/

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。

③关联模板，点击【列表链接】抽取，关联模板 02。

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。

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。

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：

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：

新闻发布时间 stime 字段设置如下：

新闻内容部分 content 字段设置如下：

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】，右键复制任意一条列表链接。

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。

title 字段：点击 title，ctrl+鼠标点击设置选区

 stime 字段：点击 stime，ctrl+鼠标点击设置选区

content 字段：点击 content，ctrl+鼠标点击设置选区

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。

l 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】。

创建完成，勾选数据表。

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。

采集进行中...

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。

采集结束后，可以在【数据浏览】中，可以导出数据。

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！