
成果範例
Parser of a garden tools supplier's catalog into Excel
What the result looks like
| Article | Name | Price | In stock | Weight | Photo |
|---|---|---|---|---|---|
| GT-1042 | Pruning shears, 20 mm | 18.90 | Yes | 0.24 kg | …/gt-1042.jpg |
| GT-1187 | Folding saw, 210 mm | 24.50 | Yes | 0.31 kg | …/gt-1187.jpg |
| GT-2210 | Hedge shears, wavy blade | 39.00 | No | 1.10 kg | …/gt-2210.jpg |
| GT-3305 | Hand trowel, stainless | 9.80 | Yes | 0.18 kg | …/gt-3305.jpg |
| GT-4120 | Garden hose 25 m, 1/2" | 42.00 | Yes | 2.90 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
要搬到新網站的 Podcast 主持人、節目筆記編輯和研究人員用這個爬蟲,把各集整理成表格:集數、季數、標題、日期、長度、簡短介紹、主題或標籤、單集頁面連結,以及頁面有顯示時的音檔連結。它讀取節目本身的公開網站,或大多數 Podcast 都有的公開 RSS feed。請提供單集列表頁、一個單集頁面,以及一兩個從瀏覽器另存的頁面。您會拿到 Python 程式碼、設定檔和 README,並在自己的電腦上執行。它只存連結,不下載音檔,也沒有來賓姓名的欄位。它以和緩的速度讀取,絕不登入、不繞過驗證碼或防護機制,也不讀取社群平台或需要帳號的收聽 App。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。
- 依序排列的單集集數、季數和日期分欄呈現
- 以分鐘計的長度頁面或 feed 有顯示時
- 單集與音檔連結只有連結,不含音檔
- 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節目您提供單集列表或 feed,以及一個另存的單集頁面
- 2爬蟲我們撰寫程式碼和執行說明
- 3執行您執行程式,並把最新幾集與網站核對
- 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
Podcast 的網站及其單集列表連結,或公開的 RSS feed 網址、一個單集頁面,以及大約有多少集。依您表格順序排列的欄位,例如集數、季數、標題、日期、長度、介紹、標籤、單集連結、音檔連結。一兩個從瀏覽器另存的這類頁面(檔案 > 另存網頁)或截圖。CSV、Excel 或 JSON。
我們會詢問您:
- 哪個 Podcast?
- 您需要的欄位
- 大約有多少集?
- 結果檔
比較方案
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。
常見問題
它能下載音檔嗎?
不行。節目屬於其製作者,所以爬蟲只存音檔的連結,不存檔案。
它能改讀 RSS feed 而不是頁面嗎?
可以,只要 feed 公開在一個網址上。它算是一種頁面,而且日期和長度通常比網站上更整齊。
它能讀取收聽 App 或社群平台上的 Podcast 嗎?
不行。需要帳號的 App、社群平台、Google、Amazon 和 LinkedIn 都在範圍之外。節目本身的公開網站或 feed 可以,只要您判斷其條款允許。
它能撰寫節目筆記或逐字稿嗎?
不行。它只蒐集頁面上已經寫好的內容;不會收聽節目,也不撰寫文字。如果網站日後改版,爬蟲需要更新。
沒有找到您要的答案?