新聞標題爬蟲開發與客製化

一個 Python 爬蟲,把公開的新聞標題整理成表格:標題、日期、版別、簡短導言和連結

通常 15 分鐘內完成含修改次數品質檢查
方案
付款保障詳細資訊
  • 方案內的修改免費。
  • 若您在交付後 3 天內未回應,成果將自動驗收。

付款時款項會先保留,在您驗收後才會撥付。

一個 Python 爬蟲,把公開的新聞標題整理成表格:標題、日期、版別、簡短導言和連結

成果範例

標準版方案範例

Parser of a garden tools supplier's catalog into Excel

What the result looks like

ArticleNamePriceIn stockWeightPhoto
GT-1042Pruning shears, 20 mm18.90Yes0.24 kg…/gt-1042.jpg
GT-1187Folding saw, 210 mm24.50Yes0.31 kg…/gt-1187.jpg
GT-2210Hedge shears, wavy blade39.00No1.10 kg…/gt-2210.jpg
GT-3305Hand trowel, stainless9.80Yes0.18 kg…/gt-3305.jpg
GT-4120Garden hose 25 m, 1/2"42.00Yes2.90 kg…/gt-4120.jpg

The file in the example has 1,236 products from 52 list pages.

A part of the code

def product_links(list_url: str) -> Iterator[str]:
    """Product page links from every page of the list, following 'Next'."""
    url: str | None = list_url
    while url:
        page = fetch(url)
        for card in page.select("div.product-card a.title"):
            yield urljoin(url, card["href"])
        next_link = page.select_one("a.pagination-next")
        url = urljoin(url, next_link["href"]) if next_link else None


def fetch(url: str) -> BeautifulSoup:
    """One open page, at a polite pace: a pause between requests and a few tries on errors."""
    for attempt in range(3):
        time.sleep(settings.delay_seconds)
        response = session.get(url, timeout=30)
        if response.status_code == 200:
            return BeautifulSoup(response.text, "html.parser")
        log.warning("%s answered %s, try %d of 3", url, response.status_code, attempt + 1)
    raise ScraperError(f"{url} did not open after 3 tries")

Files: a ZIP archive with scraper.py, settings.ini (the start page, the pause between requests, the file name), requirements.txt and a README on installing and running it. It reads only open pages, one every 2 seconds, and checks the site's robots.txt first. The client runs it on their own computer.

Client: an online garden shop that resells a supplier's tools; the supplier has an open catalog on its website but no price list file. Task: go through the catalog's list pages, open every product page and save the article number, name, price, stock, weight and main photo link to Excel, to compare prices once a week.

客戶與所有細節皆為虛構。

關於此服務

公關人員、分析師和編輯用這個爬蟲,把公開新聞網站發布的內容整理成表格:標題、日期與時間、版別、標籤、列表中顯示的簡短導言和連結。請提供您關注的新聞列表頁、一個新聞頁面,以及一兩個從瀏覽器另存的頁面。您會拿到附設定檔和 README 的 Python 程式碼,想要最新清單時,就在自己的電腦上執行。它只擷取標題和導言,不擷取全文,因為文章屬於出版者;它也不擷取作者署名,所以表格裡沒有任何人名。它以和緩的速度讀取公開頁面,絕不登入、不繞過付費牆、驗證碼或防護機制。網站的使用條款是否允許,由您自行判斷;網站日後改版時,程式需要更新。

包含內容

  • 您會得到一個 ZIP 壓縮檔,內含 Python 程式碼、設定檔和附逐步說明的 README;訂單頁面上也會顯示程式碼。
  • 標題與導言與新聞列表顯示的一致
  • 統一格式的日期方便依日期排序和篩選
  • 只看您的主題可選用的關鍵字篩選,字詞由您列出
  • 和緩的速度頁面之間的間隔,可在設定中調整
  • 在您的電腦上執行Windows、macOS 或 Linux,搭配 Python

服務流程

  1. 1
    來源您提供新聞列表和一個另存的新聞頁面
  2. 2
    爬蟲我們撰寫程式碼和執行說明
  3. 3
    執行您執行程式,並把今天的標題與網站核對
  4. 4
    修改您在方案範圍內提出修改,並附上任何錯誤訊息

需要您提供的資料

新聞網站,以及您關注的具體列表頁或版別,每個網站再附一個新聞頁面。您需要的欄位,例如標題、日期、時間、版別、標籤、導言、連結。如果需要篩選,請列出要保留或排除的字詞。一兩個從瀏覽器另存的這類頁面(檔案 > 另存網頁)或截圖。您多久執行一次,以及 CSV 或 Excel。

我們會詢問您:

  • 哪些新聞網站和版別?
  • 您需要的欄位
  • 要保留的字詞
  • 您多久執行一次?

比較方案

方案基本版單一列表的標題US$21標準版列表各頁與每則新聞US$42進階版最多 3 個新聞網站US$74
交付期限1 天2 天3 天
修改次數123
網站數11最多 3 個
頁面類型12 種(新聞列表和新聞頁面)最多 3 個
欄位數最多 10 題最多 25 個每個最多 25 個
逐頁讀取清單中的頁面無有有
結果檔案CSVExcel 或 CSVExcel、CSV 或 JSON
移除重複、從中斷處繼續無無有
訂購 基本版訂購 標準版訂購 進階版

付款保障

下單時付款,但只有在驗收成果後,款項才會撥付。

  • 固定價格付款後,方案價格不會變動。
  • 款項先行保留付款時,金額只會先保留,在您驗收後才會撥付給服務。
  • 交付前檢查每份成果在交到您手上之前都會經過品質檢查,您也可以在驗收前於訂單頁面查看成果。
  • 免費修改在需求說明範圍內,可依方案允許的次數提出修改。
  • 3 天後自動驗收若您在交付後 3 天內未驗收也未提出修改,成果將自動驗收。若您在交付後於訂單聊天室留言,訂單會暫停自動驗收;我們回覆後,可能會重新起算 3 天,並會在聊天室中告知。
  • 重新製作或全額退款若成果不符合您的需求說明且修改後仍未改善,或製作時間超過交付期限的兩倍,請在訂單聊天室留言:我們將重新製作,或全額退還款項。
運作方式 →

常見問題

它能蒐集完整文章嗎?

不行。文章內容屬於出版者,所以爬蟲只擷取標題、列表中的簡短導言和連結;全文請到網站上閱讀。

它能讀取有付費牆的網站嗎?

只能讀取任何訪客不登入就看得到的內容,通常是標題和導言。它絕不登入,也不繞過付費牆、驗證碼或防護機制。

它能讀取 Google 新聞或社群平台上的新聞嗎?

不行。Google、Amazon、LinkedIn 和社群平台都在範圍之外:它們的使用條款禁止這麼做。請直接讀取新聞網站本身,只要其條款允許即可,由您判斷。

我可以多久執行一次?

以和緩的速度,大多數網站一天執行幾次都算合理。進階版另附排程執行說明。網站改版後,爬蟲需要更新。

沒有找到您要的答案?

方案