數據抓取往往是信息可視化製作的入門功課，但由於編程是它的基礎，這不免讓技術薄弱的記者朋友無從下手。獨立調查記者、數據新聞記者Samantha Sunne對這種情況了如指掌，所以在NICAR的2018年會議中，她為“編程小白”們設計了一套簡易教程。
一句話概括，數據抓取就是從網頁中把你想要的數據扒下來並整合在一起的操作。數據抓取技術人員有兩種稱呼，一個是Extractor，一個是Crawler，前者是從單個網頁上扒數據，後者是多個。
不管我們的編程知識掌握多少，還是要對HTML有個基本認識。HTML是一種標記語言，能夠被網頁讀取，通常情況下，我們能看到的網頁界面是這樣的：
這是網頁讀取並可視化後的結果。HTML是如下圖，對於“編程小白”們來說，這就是一團不知名字符。
但其實，有時人類也能讀懂它的語言。老布什的次子傑布·布什曾在他的競選網站上發表參加2016總統選舉的聲明，然而發表不到一天，一名《紐約時報》的記者就發現，此聲明的頁面代碼中竟被插入了電影《虎膽龍威》的情節概述。這部影片的英文名稱叫“Die Hard”。
這只是個隱蔽的玩笑，言歸正傳。
深度君接下來要介紹Sunne提及的利器之一：使用Google電子表格的IMPORTHTML公式來抓取數據。
HTML的內容一般被包裹在標籤里，如<>content content</>
有些標籤很直觀，比如說“表格”：
<table>
Here is my table, right here inside these table tags.
</table>
你想把一個頁面上的表格扒下來，可以求助下面這個公式：
=ImportHTML(“url”, “element”, number of element)
“url”是這個頁面的鏈接；
“element”指的是HTML標籤，比方說“表格”；
number of element指的是在這個頁面中，目的標籤的序列。
溫馨提示：HTML有很多標籤，甚至同樣的標籤內容也會有不同的縮寫，需要時，你就得求助HTML字典了。字典鏈接：https://www.w3schools.com/tags/
來舉兩個具體的例子。
例1.
運用上面提到的公式，我們試試把網站sample.com上的第一個表格抓取出來。
=importHTML(“sample.com”,”table”,0)
用上面這行公式就能完成了。需要注意的是，“0”代表的是電腦語言的第一個，以此類推。
同樣，如果不清楚你扒的數據的標籤和序列具體是什麼，可以單擊右鍵，從源代碼中把它們找出來。
例2.
假設我們想從IRE(調查記者與編輯協會)的招聘職位列表頁面中，把所有的空缺職務扒下來。
那麼已有的信息為：
url： https://www.ire.org/jobs/
標籤：table
在Google Sheets公式欄輸入：=IMPORTHTML(“https://www.ire.org/jobs/” , “table”)，表格即可自動導入。
這個公式還能用於導出網頁的列表（lists），但是要注意，這個公式提取出的只是本頁面上出現的第一個列表。如果你不能確保這個頁面上有列表，請查看源代碼（Ctrl+F），查找關鍵詞“<li>”。
這個方法是不是非常簡單呢？除了以上這些手動操作，深度君還集結了一個自動抓取數據的工具清單，以適應不同類型的數據抓取需求：
這是一個桌面應用程序，可以自動檢測出頁面中你需要的HTML標籤，並抓取出來。
在靜態網頁上抓數據方面，可能沒有其他應用程序能超過此神器了。它適用於在非常簡潔的頁面上抓取數據。
這是個火狐瀏覽器的插件，可以高亮出頁面中的所有網址和圖片，並把它們下載下來，但它功能不如Outwit Hub強大。
正在數據抓取入門階段掙扎的同學們，趕緊上手試試吧！更多資源可以訪問全球深度報道網（cn.gijn.org），在“資源庫”一欄查看哦！此外，深度網還會精選出時下最新最好用的工具，在每周簡報里推送給讀者們，點擊原文訂閱鏈接。
編譯/Lizzy Huang
編輯/Ivan Zhai
相關閱讀：
