抓取网页新闻(大数据时代已然到来，抓取网页数据成为科研重要手段)

　　抓取网页新闻(大数据时代已然到来，抓取网页数据成为科研重要手段)

　　网页数据爬取是指从互联网上获取数据，并将获取的非结构化数据转化为结构化数据，最终可以将数据存储在本地计算机或数据库中的一种技术。

　　目前，全球网络数据以每年40%左右的速度增长。IDC（互联网数据中心）报告显示，2013年全球数据4.4ZB。到2020年，全球数据总量将达到40ZB。大数据时代已经到来。抓取网页数据已成为竞争对手分析、业务数据挖掘和科学研究的重要手段。

　　

　　我们在做数据分析的时候，会发现大部分的参考数据都是从网上获取的。然而，互联网上的原创数据往往不尽如人意，难以满足我们的个性化需求。因此，我们需要根据实际情况有针对性地抓取网页数据。

　　网页操作

　　引用 Micorsoft Internet Controls 后，我们可以对页面做任何我们想做的事情，但是我们需要在主页上有一个页面，上帝说我们需要一个页面！

　　1、打开网页

　　我们以在百度上搜索“查虎”关键词为例：

　　使用 CreateObject("internetexplorer.application")

　　.可见 = 真

　　.导航“怎么了”

　　'关闭页面

　　'。退出

　　结束于

　　代码很简单，先创建一个IE对象，然后给一些属性赋值。Visible是可见性，是指网页操作时是否会看到网页。熟练之后可以设置为False，这样不仅可以让程序在运行时有一种神秘感（其实并没有），还能稍微加快运行速度。

　　

　　但是需要注意的一点是，这个网页在我们打开后并没有关闭，这意味着程序结束后需要手动关闭它。如果网页不可见，则无法手动关闭。代码中的注释部分用于关闭网页。不用说，导航就是 URL。

　　我们必须等到网页完全加载后才能开始抓取网页数据。这次我们使用：（从这里开始，所有的代码都需要写在With代码块中）

　　而 .ReadyState 4 或 .Busy

　　事件

　　温德

　　Busy是网页的繁忙状态，ReadyState是HTTP的五种就绪状态，对应如下：

　　: 请求没有初始化（open() 还没有被调用）。

　　1：请求已经建立，但是还没有发送（send()没有被调用）。

　　2：请求已发送，正在处理中（通常现在可以从响应中获取内容头）。

　　3：请求正在处理中；通常响应中有部分数据可用，但服务器还没有完成响应的生成。

　　4：响应完成；您可以获取并使用服务器的响应。

　　

　　2、获取信息

　　我们先爬取网页数据，然后过滤掉有用的部分，然后慢慢添加条件爬取。

　　设置 dmt = .Document

　　对于 i = 0 到 dmt.all.Length-1

　　设置 htMent = dmt.all(i)

　　使用 ActiveSheet

　　.Cells(i + 2, "A") = htMent.tagName

　　.Cells(i + 2, "B") = TypeName(htMent)

　　.Cells(i + 2, "C") = htMent.ID

　　.Cells(i + 2, "D") = htMent.Name

　　.Cells(i + 2, "E") = htMent.Value

　　.Cells(i + 2, "F") = htMent.Text

　　.Cells(i + 2, "G") = htMent.innerText

　　结束于

　　接下来我

　　这段代码有点类似于JS，需要从IE.Document.all中找出页面上的所有节点。还有其他几种方法：

　　getElementById("IDName")：返回第一个带有IDName的标签 getElementsByName("a")：返回所有标签，返回值是一个集合 getElementsByClassName("css")：返回所有样式名称为css的标签，返回值是一个集合。

　　这些更方便用于在抓取所有页面内容后帮助过滤有效信息。