如何采集级联数据(比如最新省市县)呢?

概述

通常抓取级联数数据情况不多,但要是真需要时,确多了一些麻烦,比如抓取商品分类级别信息等。本内容将讲述如何采集无限级联联数据,并以GoldData来抓取2019年最新的省市县三级为示例。

创建数据集

在数据集管理里,添加数据集area。如下图所示:

数据集相当于数据库中的表,只是字段是灵活的,可以随着需要而添加和变更。

创建规则

在规则管理里,添加规则arearule,并将地址http://xzqh.mca.gov.cn/map 填为抓取入口地址。

我们通过分析可知,我们可从http://xzqh.mca.gov.cn/map 获取省级数据,然后通过级级数据请求http://xzqh.mca.gov.cn/selectJson 带有省级名称来获得市级数据,最后再通过市级数据分别请求http://xzqh.mca.gov.cn/selectJson 带有市级数据来获得县级数据。

并且发现请求 http://xzqh.mca.gov.cn/selectJson 是需要发POST请求的,因此我们需要将url加个前缀fake:,然后用规则里用JavaScript去请求URL。

我们在此编写的area数据集,有以下字段:

名称说明

sn取区域编码作为记录唯一字段

name名称

code取区域编码

abbr省名简写

parent_code取父区域编码

因此编写规则如下:

(注:具体规则内容请见文章最后)

然后编写完成后,我们就可以启动抓取器进行抓取。

查看数据

打开数据管理,选择area数据集查看如下图所示:

导出数据

回到数据管理,选择条件,选择需要导出的字段,进行导出。像这里数据比较多,GoldData将会以打包excel文件并压缩为zip文件下载。解压到本地,然后打开excel就可以看到抓取的数据,如下图所示:

结尾

通过这节内容,可以了解了如何通过GoldData 抓取级联数据。但是下一个问题是如何将数据导入自关联列表呢,且看下一往篇将会讲述如何将级联数据融合到数据库自关联表当中。

咐录:

(抓取规则)

[

  {

    __sample: http://xzqh.mca.gov.cn/map

    match0: http\:\/\/xzqh\.mca\.gov\.cn\/map

    fields0:

    {

      __model: true      __node: js

      __js:

        '''

        var exp11=/json\s=\s(.+)\s+\$\(doc/

        var ret=exp11.exec(html)

        var ss=eval(ret[1])

        for(var i=0;i<ss.length;i++){

          var ele=ss[i]

          var exp12=/\((.+)\)/.exec(ele.shengji)

        var exp13=/(.+)\(/.exec(ele.shengji)

          out.add({sn:ele.quHuaDaiMa,name:exp13[1],code:ele.quHuaDaiMa,abbr:exp12[1],

        parent_code:null,

        })

        }

        '''

      name:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      code:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      abbr:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      sn:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      __dataset: area

      parent_code:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

    }

    fields1:

    {

      __node: js

      __js:

        '''

        var exp11=/json\s=\s(.+)\s+\$\(doc/

        var ret=exp11.exec(html)

        var ss=eval(ret[1])

        for(var i=0;i<ss.length;i++){

          var ele=ss[i]

          var url='fake:http://xzqh.mca.gov.cn/selectJson?shengji='+ele.shengji+"&code="+ele.quHuaDaiMa

          //var $ajax(url,[__method:'POST',data:'shengji='+ele.shengji]).content


          out.add({href:url})

        }

        '''

      href:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

    }

  }

  {

    __sample: fake:http://xzqh.mca.gov.cn/selectJson?shengji=北京市(京)&code=110000    match0: fake\:http\:\/\/xzqh\.mca\.gov\.cn\/selectJson\?shengji=.+\&code=\d+

    fields0:

    {

      __model: true      __dataset: area

      sn:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      __node: js

      __js:

        '''

        var urlRet= /http\:\/\/xzqh\.mca\.gov\.cn\/selectJson\?shengji=(.+)\&code=(\d+)/.exec(baseUri);

        var shengji=urlRet[1]

        var sjCode=urlRet[2]

        var url='http://xzqh.mca.gov.cn/selectJson'

        var  content=$ajax(url,{__method:'POST',data:'shengji='+shengji }).content

        var arr=eval(content);

        for(var i=0;i<arr.length;i++){

          var dj=arr[i];


            var area={

                name:dj.diji,

                code:dj.quHuaDaiMa,

                parent_code:sjCode,

                sn:dj.quHuaDaiMa,

            }

          out.add(area);

        }

        '''

      name:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      code:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      abbr:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      sn:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      parent_code:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

    }

    fields1:

    {

      __node: js

      __js:

        '''

        var urlRet= /http\:\/\/xzqh\.mca\.gov\.cn\/selectJson\?shengji=(.+)\&code=(\d+)/.exec(baseUri);

        var shengji=urlRet[1]

        var sjCode=urlRet[2]

        var url='http://xzqh.mca.gov.cn/selectJson'

        var  content=$ajax(url,{__method:'POST',data:'shengji='+shengji }).content

        var arr=eval(content);

        for(var i=0;i<arr.length;i++){

          var dj=arr[i];

          var url='fake:http://xzqh.mca.gov.cn/selectJson?shengji='+shengji+"&sjcode="+sjCode+"&diji="+dj.diji+"&djcode="+dj.quHuaDaiMa 

          out.add({href:url})

        }

        '''

      href:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

    }

  }

  {

    __sample: fake:href :fake:http://xzqh.mca.gov.cn/selectJson?shengji=北京市(京)&sjcode=110000&diji=北京市&djcode=110000    match0: fake\:http\:\/\/xzqh\.mca\.gov\.cn/selectJson\?shengji=([^&]+)\&sjcode=([^&]+)\&diji=([^&]+)\&djcode=([^&]+)

    fields0:

    {

      __model: true      __dataset: area

      __node: js

      sn:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      __js:

        '''

        var urlRet=/fake\:http\:\/\/xzqh\.mca\.gov\.cn\/selectJson\?shengji=([^\&]+)\&sjcode=([^\&]+)\&diji=([^\&]+)\&djcode=([^\&]+)/.exec(baseUri)

        var shengji=urlRet[1]

        var sjCode=urlRet[2]

        var dj=urlRet[3]

        var djCode=urlRet[4]

        var url='http://xzqh.mca.gov.cn/selectJson'

        var  content=$ajax(url,{__method:'POST',data:'shengji='+shengji+'&diji='+dj }).content

        var arr=eval(content);

        for(var i=0;i<arr.length;i++){

          var dj=arr[i];


            var area={

                name:dj.xianji,

                code:dj.quHuaDaiMa,

                parent_code:djCode,

                sn:dj.quHuaDaiMa,

            }

          out.add(area);

        }

        '''

      name:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      code:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      abbr:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      sn:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

      parent_code:

      {

        expr: ""        attr: ""        js: ""        __label: ""        __showOnList: false        __type: ""        down: "0"        accessPathJs: ""        uploadConf: ""      }

    }

  }

]

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,179评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,229评论 2 380
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,032评论 0 336
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,533评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,531评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,539评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,916评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,574评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,813评论 1 296
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,568评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,654评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,354评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,937评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,918评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,152评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,852评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,378评论 2 342

推荐阅读更多精彩内容