新聞標題爬取程式現成可用

現成的 Python 程式,爬取公開新聞網站的標題:標題、日期、版面、簡短導言與連結

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。

現成的 Python 程式,爬取公開新聞網站的標題:標題、日期、版面、簡短導言與連結

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

這是現成的新聞標題爬取程式:已經設計好、適用於新聞頁面的典型 Python 程式,依您指定的公開新聞網站或版面調整。它儲存標題、日期與時間、版面、標籤、網站顯示的簡短導言與連結:足以用來追蹤您的產業、了解某個主題出現的頻率,或為電子報整理閱讀清單。它不會複製全文,全文屬於發布者;表格以連結指向原文。如果網站有 RSS 摘要,爬取程式可以讀取它,對網站較為友善。您寄來版面頁與一篇文章的連結、這些頁面的儲存副本,以及您需要的欄位。您自己在您的電腦上執行。它只以有禮貌的速度讀取公開頁面,略過付費牆或登入後的內容,也不儲存留言或任何含讀者姓名的內容。

包含內容

  • 您會收到什麼一個 ZIP 壓縮檔,內含現成的 Python 新聞標題爬取程式、含網址與頁面間隔時間的設定檔,以及 README;程式碼也會顯示在訂單頁面。
  • 標題欄位已備妥標題、日期、版面、標籤、導言、連結
  • 連結,不是全文文章仍屬於它們的發布者
  • 多個網站合併進階版可將最多 3 個網站合併在一個表格
  • 有禮貌的速度頁面間的間隔,在設定中調整
  • 淺顯的指南安裝 Python 與執行,逐步說明

服務流程

  1. 1
    頁面您提供網站、版面、欄位與儲存的頁面
  2. 2
    設定我們把現成的程式調整成適合那些頁面,並撰寫指南
  3. 3
    執行您執行它並檢查表格的前幾列
  4. 4
    修改您在方案範圍內提出修改,並寄來任何錯誤訊息

需要您提供的資料

公開的新聞網站與確切的頁面:一個版面或標籤頁面與一篇文章的連結。依您表格順序列出的所需欄位,例如標題、日期、版面、導言與連結。一兩個從瀏覽器儲存的頁面(檔案 > 另存新檔)或截圖,以及網站若有 RSS 連結也請提供。結果檔案:CSV、Excel,進階版另有 JSON。進階版另需其他網站,以及多久執行一次。

我們會詢問您:

  • 哪個網站?哪個版面?
  • 您需要的欄位
  • 要保留的關鍵字
  • 結果檔案與執行頻率

比較方案

方案基本版US$16標準版US$31進階版US$56
包含內容單一頁面的標題版面與文章最多 3 個新聞網站
交付期限1 天2 天3 天
修改次數123
網站11最多 3
頁面類型12(清單與單品)最多 3
欄位最多 10 個最多 25每種最多 25 個
逐頁讀取清單無有有
結果檔案CSVExcel 或 CSVExcel、CSV 或 JSON
移除重複,並從中斷處繼續無無有
現成版本新聞標題新聞標題新聞標題
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

它可以儲存文章全文嗎?

不行。文章是發布者的作品。爬取程式儲存標題、網站顯示的簡短導言與連結,讓您到網站上閱讀文章。

可以把標題轉載到我的網站嗎?

這取決於發布者的條款與您所在國家的法律,由您自行決定。爬取程式是為您自己的追蹤與閱讀清單而設計。

如果網站改版了怎麼辦?

爬取程式依頁面現在的樣子運作。改版後需要更新,那會是一筆新的訂單。它以有禮貌的速度讀取,也不會繞過網站設定的限制。

我可以蒐集這些資料嗎?

蒐集公開資料在許多情況下是允許的,但網站條款與資料法規因國家而異,所以是否可以蒐集與使用,由您自行決定。爬取程式絕不登入、繞過防護或蒐集個人資料。

為什麼比客製爬取程式便宜?

這是現成的典型新聞標題爬取程式:欄位與翻頁的方式都已經設計好,我們依您指定的網站與您的欄位調整。特殊的網站與欄位屬於客製爬取程式服務。

沒有找到您要的答案?

方案