初级爬虫使用指北 (1)--想清楚开始的理由
目录
- 分析需求
- 需求分类
- 你的选择
1. 分析需求
分析自己的需求,问自己:需要解决的问题,是否可以在3小时内纯手工的收集?如果不可以,那么再考虑【爬虫】。下面是常见的需要收集数据的需求,这些完成需求的步骤。如果这些步骤很简单/很少,那么请直接手工收集吧。
2. 需求分类
第一类/第二类/其他类
2.1 第一类
关注某个事件的动态,以关键词作为切入点跟踪某个事件:我想知道大家关于这件事情的态度。
你要做的:
限定新闻网页的来源,找到出现关键词的新闻网页,运行爬虫收集这些网页,从网页标签中收集文本,分析文本
如何做:
- 准备关键词
- 限定新闻网页的来源
- 运行爬虫收集
- a. 模拟搜索请求
- b. 获得搜索结果网页
- c. 收集新闻标题和相应链接,收集翻页和相应链接
- d. 访问对应新闻页面,收集该页面
- e. 模拟翻页请求,获得新的一页结果页
- f. 对页面进行信息抽取,将需要的信息存储在本地
举例:
【房地产报道热度变化趋势:以财经网为主】:我想知道关于这方面的新闻,大家在谈论什么其他相关的关键词,报道是乐观居多还是悲观居多,不同的信息来源的报道偏重是什么,随着时间的推移,报道的热度有什么变化?
- 准备关键词:房地产,房产,地产,房屋,房奴,地税
-
限定新闻网页的来源:财经网
财经网 - 运行爬虫收集
-
a. 模拟搜索请求
财经网 - 输入搜索 -
b. 获得搜索结果网页
财经网 - 获得搜索结果 -
c. 收集新闻标题和相应链接,收集翻页和相应链接
财经网 - 收集每个新闻 -
d. 访问对应新闻页面,收集该页面的信息
财经网 - 查看一个新闻 -
e. 模拟翻页请求,获得新的一页结果页
财经网 - 翻页 -
f. 对页面进行信息抽取,将需要的信息存储在本地(e.g., 以表格的形式存储)
用表格记录信息
2.2 第二类
收集某个网站上的指定内容:我想收集它们进行分析
你要做的
确定收集的路径,运行爬虫收集这些信息
怎么做
- 指定路径
- 指定收集信息点
- 确定访问动作访问
- 收集预期的信息点
- 存储数据
- 重复刚才的动作
举例
【收集亚马逊在线购物网站上所有智能手机的买家评论】:看看我能从中发现什么
-
指定路径:指定手机的商品评论
亚马逊(中国)-手机 -
指定收集信息点:对应商品列表
亚马逊(中国) - Apple iPhone -
确定访问动作访问:每一个商品网页的点评区
亚马逊(中国) - 商品评论 -
收集预期的信息点
商品评论 - 评分 - 赞同数据 -
存储数据
(略) -
重复刚才的动作:选择一个手机/每一个商品/每一条评论
【财经网】:价格波动
-
收集股票代码:这些是收集的候选名单
一些需要收集的股票 -
访问股票对应网页:选择访问某个股票的信息页
股票页面 -
收集信息点:各种指标/数值
各种有价值的数据点 (示例) -
存储:把你喜欢的信息收集到文件里
(略) -
重复刚才的工作:收集下一个股票的信息
2.3 其他类
我没给类型起名字因为我不知道我这么分类是否正确,不过一般我遇到的爬虫需求就这两个了。
3. 你的选择
以上就是一个“爬虫”能完成的事情,换句话说,程序能完成这些工作,那么你想要写程序吗?
如果你只要收集财经网,你可以直接手工收集,但如果你还要收集彭博网、澎湃新闻、网易新闻、搜狐新闻、百度新闻......呢?(当然是手工收集啦哈哈哈哈哈哈哈)