Question

我正在尝试寻找或建立一个网络刮刀，能够通过并找到美国的每个州/国家公园及其GPS坐标和土地面积。我已经研究了一些像Scrapy这样的框架，然后我看到有些网站专门用于维基百科，例如http://wiki.dbpedia.org/About。这些中的任何一个是否有任何特定优势，或者是否可以更好地将信息加载到在线数据库中？

Answer 1

假设您要解析this Wikipedia page之类的网页。以下代码应该可以使用。

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);
}

我测试了它，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。如果某个页面失败，您必须查看布局是否发生变化等。

当然，您还必须找到一种获取要解析的所有链接的方法。

一件重要事情：您知道是否允许刮取 Wikipedia 吗？我不知道，但你应该在做之前看看它是不是...... ;)

Answer 2

虽然这个问题有点陈旧，但现在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World Database of Protected Areas和{{3}的数据}。（披露：我曾在UN's List of Protected Areas工作，这是一个制作和维护数据库和网站的组织。）

免费用于非商业用途，但您需要注册才能下载。例如，UNEP-WCMC允许您在美国下载22,600个受保护区域，如KMZ，CSV和SHP（包含lat，lng，边界，IUCN类别和一堆其他元数据）。

Answer 3

我认为这不是最好的方法。

我的想法是从openstreetmap.org（或您可以查询的任何其他基于GEO的API）转到API并询问它您想要的数据。很容易找到国家公园。您可以从维基百科等来源获取名称，然后询问GEO API，以便为您提供所需的信息。

BTW，Wikipedias List of National Parks出了什么问题？

从维基百科中搜集数据

3 个答案: