最佳实践：Power BI应用实战：批量爬取网页数据

　　Power BI应用实战：批量爬取网页数据

　　前面介绍PowerBI数据获取的时侯，曾举了一个从网页中获取数据的事例，但当时只是爬取了其中一页数据，这篇文章来介绍怎样用PowerBI批量采集多个网页的数据。

　　本文以智联招聘网站为例，采集工作地点在北京的职位发布信息。

　　下面是详尽操作步骤：

　　（一）分析网址结构

　　打开智联招聘网站，搜索工作地点在北京的数据，

　　

　　下拉页面到最下边，找到显示页脚的地方，点击前三页，网址分别如下，

　　可以看出最后一个数字就是页脚的ID，是控制分页数据的变量。

　　（二）使用PowerBI采集第一页的数据

　　打开PowerBI Desktop，从网页获取数据，从弹出的窗口中选择【高级】，根据前面剖析的网址结构，把不仅最后一个页脚ID的网址输入第一行，页码输入第二行，

　　

　　从URL预览中可以看出，已经手动把里面两行的网址合并到一起；这里分开输入只是为了旁边更清晰的分辨页脚变量，其实直接输入全网址也是一样可以操作的。

　　（如果页脚变量不是最后一位，而是在中间，应该分三行输入网址）

　　点击确定后，发现下来好多表，

　　

　　从这儿可以看出，智联招聘网站上每一条急聘信息都是一个表格，不用管它，任意选择一个表格，比如勾选Table0，点击编辑步入Power Query编辑器。

　　在PQ编辑器中直接删掉掉【源】之后的所有步骤，然后展开数据，并把上面没有的几列数据删掉。

　　

　　这样第一页的数据就采集过来了。然后对这一页的数据进行整理，删除掉无用信息，添加数组名，可以看出一页收录60条急聘信息。

　　这里整理好第一页数据之后，下面进行采集其他页面时，数据结构就会和第一页整理后的数据结构一致，采集的数据可以直接用来用；这里不整理也没关系，可以等到采集所有网页数据后一起整理。

　　如果要大批量的抓取网页数据，为了节约时间，对第一页的数据可以先不整理，直接步入下一步。

　　（三）根据页脚参数设置自定义函数

　　这是最重要的一步。

　　还是刚刚第一页数据的PQ编辑器窗口，打开【高级编辑器】，在let前输入：

　　(p as number) as table =>

　　

　　并把let前面第一行的网址中，&后面的"1"改为（这就是第二步使用中级选项分两行输入网址的益处）：

　　(Number.ToText(p))

　　更改后【源】的网址变为：

　　"/jobs/searchresult.ashx?jl=%e4%b8%8a%e6%b5%b7&sm=0&sg=fe782ca83bfa4b018d27de559d0a5db0&p="&(Number.ToText(p)))),

　　确定之后，刚才第一页数据的查询窗口直接弄成了自定义函数的输入参数窗口，Table0表格也弄成了函数的款式。为了更直观，把这个函数重命名为Data_Zhaopin.

　　到这儿自定义函数完成，p是该函数的变量，用来控制页脚，随便输入一个数字，比如7，将抓取第7页的数据，

　　

　　输入参数只能一次抓取一个网页，要想批量抓取，还须要下边这一步。

　　（四）批量调用自定义函数

　　首先使用空查询构建一个数字序列，如果想抓取前100页的数据，就完善从1到100的序列，在空查询中输入

　　={1..100}

　　回车就生成了从1到100的序列，然后转为表格。gif操作图如下：

　　

　　然后调用自定义函数，

　　

　　在弹出的窗口中点击【功能查询】下拉框，选择刚刚构建的自定义函数Data_Zhaopin,其他都按默认就行，

　　

　　点击确定，就开始批量抓取网页了，因为100页数据比较多，耗时5分钟左右，这也是我第二步提早数据整理导致的后果，导致抓取比较慢。展开这一个表格，就是这100页的数据，

　　

　　至此，批量抓取智联急聘100页的信息完成，上面的步骤看起来好多，实际上熟练把握之后，10分钟左右就可以搞定，最大块的时间还是最后一步进行抓取数据的过程比较历时。

　　网页的数据是不断更新的，在操作完以上的步骤过后，在PQ中点击刷新，可以随时一键提取网站实时的数据，一次做好，终生获益！

　　以上主要使用的是PowerBI中的Power Query功能，在可以使用PQ功能的Excel中也是可以同样操作的。

　　当然PowerBI并不是专业的爬取工具，如果网页比较复杂或则有防爬机制，还是得用专业的工具，比如R或则Python。在用PowerBI批量抓取某网站数据之前，先尝试着采集一页试试，如果可以采集到，再使用以上的步骤，如果采集不到，就不用再耽搁功夫了。

　　现在就打开PowerBI，尝试着抓取你感兴趣的网站数据吧。

　　公众号:PowerBI星球