采集腾讯新闻数据

l 采集网站

【场景描述】采集腾讯新闻数据。

【源网站介绍】腾讯网从2003年创立至今，已经成为集新闻信息，区域垂直生活服务、社会化媒体资讯和产品为一体的互联网媒体平台。

【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http://www.forenose.com/view/forespider/view/download.html

l 采集网站

【入口网址】https://new.qq.com/d/bj/

【采集内容】

采集腾讯网新闻的标题和正文内容。

【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

此类翻页的翻页链接在页面请求中，需要先找到请求链接，然后用脚本拼出链接。具体操作步骤如下所示：

①在浏览器中打开页面后，点击F12，清空所有请求后，刷新页面。

②鼠标往下浏览新闻，会发现出现很多新闻，右侧也出现很多请求。观察请求，找出翻页请求链接。

将多个请求链接复制出来，观察链接规律：

https://i.news.qq.com/trpc.qqnews_web.kv_srv.kv_srv_http_proxy/list?sub_srv_id=bj&srv_id=pc&offset=20&limit=20&strategy=1&ext={%22pool%22:[%22top%22],%22is_filter%22:10,%22check_type%22:true}

https://i.news.qq.com/trpc.qqnews_web.kv_srv.kv_srv_http_proxy/list?sub_srv_id=bj&srv_id=pc&offset=40&limit=20&strategy=1&ext={%22pool%22:[%22top%22],%22is_filter%22:10,%22check_type%22:true}

https://i.news.qq.com/trpc.qqnews_web.kv_srv.kv_srv_http_proxy/list?sub_srv_id=bj&srv_id=pc&offset=60&limit=20&strategy=1&ext={%22pool%22:[%22top%22],%22is_filter%22:10,%22check_type%22:true}

③观察发现请求链接中只有一个参数不同，分别为20、40、60，该参数规律为：翻页数*20，根据这一规律，使用脚本拼写翻页链接。选中链接抽取后，打开脚本窗口：

④写一个for循环来拼取翻页链接：

⑤脚本写完以后，点击保存，然后点击采集预览，即可看到拼好的链接。

3.抽取列表链接

①继续观察页面翻页请求中的源码内容，发现新闻内容在源码data后边的list后边的json串中。如下图所示：

②新闻列表链接的标题和新闻分别是每个对象的title和url值。

③回到ForeSpider系统中，新建一个链接抽取，并打开脚本界面，新建一个脚本：

④写脚本如下：​​​​​​​

⑤保存脚本后，采集预览查看是否抽取成功。

4.抽取新闻数据

①新建一个抽取模板，在其下新建一个数据抽取，具体操作如下所示：

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填写示例数据，采集预览，复制任意一条新闻链接。

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

⑦数据取值

使用定位取值的方法，title字段如下所示：

Text字段如下所示：

⑧采集预览

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【tengxun】（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：

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！