GoldData学习实例-采集官网新闻数据

概述

在本节中，我们将讲述抓取政府官网地方新闻。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
id	bigint	主键，自动增长
name	varchar(128)	来源名称

news（新闻）

字段	类型	说明
id	bigint	主键，自动增长
title	varchar（128)	标题
site_id	bigint	外键，指向表news_site的id字段
content	text	内容
pub_date	datetime	发布时间
date_created	datetime	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/