NBA 新聞爬取

2018鐵人賽網路爬蟲

Howard

2018-01-01 00:00:01

5565 瀏覽

分享至

定義目標

昨天我們做抓了 NBA 的 scoreboard，那麼今天我們持續昨天的主題。博弈廠商除了要分數之外，他們還希望抓取新聞呈現在頁面中，讓使用者能夠取得額外的資訊，那麼我們今天就來抓取看看 NBA 的運動新聞。

實際探訪

NBA 的運動新聞來源就非常多了，我們在 google 類搜尋 nba 新聞 至少可以看到有十幾個 source 來源，那麼當我們的資料挑選來源非常廣泛時，我們就盡可能的挑選最簡單的來處理就可以了，若是你的話，你會挑哪一個呢？

其實這跟經驗有些正相關，若是我遇到新聞這類的，我肯定直覺就會去找 rss。而拜 google news 所賜，我們要找這類的東西其實非常方便，可以去 https://news.google.com/news/?ned=zh-tw_tw&gl=TW&hl=zh-tw 這邊就統整了各家的新聞。

進到 google news 後，我們可以去選擇關鍵字，這邊就會出現所有 NBA 相關新聞。當然我們也可以針對這頁來去做爬取，但其實不用那麼累，因為下面就有 rss 可以使用。點開 rss，就有完整的 xml 可供使用，那我們只需要解析這部分就解決了。

分解研究

要取得 NBA 新聞，會進行以下兩個步驟：

取得 rss feed
解析 rss feed

取得 rss feed

基本上就一個 get request，沒有什麼問題。另外我們觀察到，這個網址包含了我們所 query 的關鍵字，嘗試把關鍵字替換，也就能夠搜尋出不同的主題。

解析 rss feed

因為是 xml，所以等下我們實作的時候要有一個 xml parser，然後對每一個 item，就能取得最新新聞了。

實作程式碼

getNews function

我們先來撰寫取得 RSS 的 function，收一個 query string，然後將查詢到的 xml 轉成 js object，我們這邊使用 xml-js 來解析，最後將 items 整理後丟給 callback 就可以了。

function getNews(query, callback){
  request(`https://news.google.com/news/rss/search/section/q/${query}/?hl=zh-tw&gl=TW&ned=zh-tw_tw`, (err, res, body)=>{
    var items = convert.xml2js(body, {compact: true}).rss.channel.item
    items = items.map((news)=>{
      return {
        title: news.title._text,
        link: news.link._text,
        time: news.pubDate._text,
      }
    })
    callback(items)
  })
}

完整程式碼

const request = require('request');
const convert = require('xml-js');

getNews('nba', (news)=>{
  console.log(news);
})

function getNews(query, callback){
  request(`https://news.google.com/news/rss/search/section/q/${query}/?hl=zh-tw&gl=TW&ned=zh-tw_tw`, (err, res, body)=>{
    var items = convert.xml2js(body, {compact: true}).rss.channel.item
    items = items.map((news)=>{
      return {
        title: news.title._text,
        link: news.link._text,
        time: news.pubDate._text,
      }
    })
    callback(items)
  })
}