从维基百科中搜集数据

Question

我正在尝试寻找或建立一个能够通过并找到美国每个州/国家公园及其GPS坐标和土地面积的网络刮板.我已经研究了一些像Scrapy这样的框架,然后我看到有一些专门针对维基百科的网站,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

我们假设你要解析像这个维基百科页面这样的页面.以下代码应该有效.

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更改等.

当然,您还必须找到一种获取要解析的所有链接的方法.

一件重要的事情:你知道是否允许刮维基百科吗？我不知道,但你应该先看看它是否在做之前......;)

Answer 2

尽管这个问题有点老了，但现在可以使用的另一种方法是避免刮擦并直接从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。（公开：我曾在UNEP-WCMC工作，该组织负责生产和维护数据库和网站。）

它是免费的，用于非商业用途，但是您需要注册才能下载。例如，此页面使您可以下载美国22,600个保护区，分别为KMZ，CSV和SHP（包含纬度，经度，边界，IUCN类别和许多其他元数据）。