【从零开始学爬虫】采集全国高校导师数据

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：

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。

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。

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！

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！