6

我正在尝试寻找或构建一个网络爬虫，它能够通过并找到美国的每个州/国家公园以及它们的 GPS 坐标和陆地区域。我研究了一些框架，如 Scrapy，然后我看到有一些专门用于 Wikipedia 的站点，例如http://wiki.dbpedia.org/About。其中任何一个是否有任何特定优势，或者将信息加载到在线数据库中是否会更好？

4

3 回答 3

12

假设您要解析像这个 Wikipedia page 这样的页面。以下代码应该可以工作。

var doc = new HtmlDocument(); 
doc = .. //Load the document here. See doc.Load(..), doc.LoadHtml(..), etc.

//We get all the rows from the table (except the header)
var rows = doc.DocumentNode.SelectNodes("//table[contains(@class, 'sortable')]//tr").Skip(1);
foreach (var row in rows) {
    var name = HttpUtility.HtmlDecode(row.SelectSingleNode("./*[1]/a[@href and @title]").InnerText);
    var loc = HttpUtility.HtmlDecode(row.SelectSingleNode(".//span[@class='geo-dec']").InnerText);
    var areaNodes = row.SelectSingleNode("./*[5]").ChildNodes.Skip(1);
    string area = "";
    foreach (var a in areaNodes) {
        area += HttpUtility.HtmlDecode(a.InnerText);
    }

    Console.WriteLine("{0,-30} {1,-20} {2,-10}", name, loc, area);
}

我对其进行了测试，它产生以下输出：

Acadia                         44.35A°N 68.21A°W    47,389.67 acres (191.8 km2)
American Samoa                 14.25A°S 170.68A°W   9,000.00 acres (36.4 km2)
Arches                         38.68A°N 109.57A°W   76,518.98 acres (309.7 km2)
Badlands                       43.75A°N 102.50A°W   242,755.94 acres (982.4 km2)
Big Bend                       29.25A°N 103.25A°W   801,163.21 acres (3,242.2 km2)
Biscayne                       25.65A°N 80.08A°W    172,924.07 acres (699.8 km2)
Black Canyon of the Gunnison   38.57A°N 107.72A°W   32,950.03 acres (133.3 km2)
Bryce Canyon                   37.57A°N 112.18A°W   35,835.08 acres (145.0 km2)
Canyonlands                    38.2A°N 109.93A°W    337,597.83 acres (1,366.2 km2)
Capitol Reef                   38.20A°N 111.17A°W   241,904.26 acres (979.0 km2)
Carlsbad Caverns               32.17A°N 104.44A°W   46,766.45 acres (189.3 km2)
Channel Islands                34.01A°N 119.42A°W   249,561.00 acres (1,009.9 km2)
Congaree                       33.78A°N 80.78A°W    26,545.86 acres (107.4 km2)
Crater Lake                    42.94A°N 122.1A°W    183,224.05 acres (741.5 km2)
Cuyahoga Valley                41.24A°N 81.55A°W    32,860.73 acres (133.0 km2)
Death Valley                   36.24A°N 116.82A°W   3,372,401.96 acres (13,647.6 km2)
Denali                         63.33A°N 150.50A°W   4,740,911.72 acres (19,185.8 km2)
Dry Tortugas                   24.63A°N 82.87A°W    64,701.22 acres (261.8 km2)
Everglades                     25.32A°N 80.93A°W    1,508,537.90 acres (6,104.8 km2)
Gates of the Arctic            67.78A°N 153.30A°W   7,523,897.74 acres (30,448.1 km2)
Glacier                        48.80A°N 114.00A°W   1,013,572.41 acres (4,101.8 km2)
(...)

我认为这是一个开始。如果某些页面失败，您必须查看布局是否更改等。

当然，您还必须找到一种方法来获取您要解析的所有链接。

一件重要的事情：你知道是否允许抓取维基百科吗？我不知道，但你应该在做之前看看它是否......;)

于 2012-09-20T05:43:36.703 回答
5

虽然这个问题有点老了，但现在可用的另一种选择是避免任何抓取并直接从protectedplanet.net获取原始数据——它包含来自世界保护区数据库和联合国保护区清单的数据。（披露：我曾在UNEP-WCMC工作，该组织生产和维护数据库和网站。）

它可免费用于非商业用途，但您需要注册才能下载。例如，此页面可让您以 KMZ、CSV 和 SHP 格式下载美国的 22,600 个保护区（包含纬度、经度、边界、IUCN 类别和一堆其他元数据）。

于 2013-05-23T11:28:33.247 回答
1

我认为这不是最好的方法。

我的想法是从 openstreetmap.org（或任何其他您可以查询的基于 GEO 的 API）访问 API，然后向它询问您想要的数据。国家公园很容易找到。您可以从 Wikipedia 之类的来源获取名称，然后要求任何一个 GEO API 为您提供所需的信息。

顺便说一句，维基百科国家公园列表有什么问题？

于 2012-09-14T08:52:34.010 回答