爬虫能不能做这个一个需求

[snopy]

最近，公司网站上发了关于各种技术培训的帖子（包括 IT 架构、 Hadoop 数据分析...），每个帖子对应一种技术培训，如果想参加某类技术培训，公司员工只需在对应帖子下留言“报名”即可(当然跟帖是要求实名制的，所以自然会留下小马甲)。由于帖子众多，报名人数也很多，因此，人工统计汇总会变得很繁杂，而且会存在遗漏的风险。

-----重点来了-----
那么，我在想能不能通过爬虫的形式，每天爬取帖子中留言“报名”的员工姓名及其对应的培训技术类别，然后入库，以便于查询和汇总

帖子的内容大概是酱紫的

昨晚在网上看了相关资料，总结了下具体的技术实现，还望各位 pythoner 不吝赐教

1 、爬虫怎么爬取要登陆的网站？ [开源爬虫都支持在爬取时指定 cookies ，模拟登陆主要是靠 cookies 。至于 cookies 怎么获取，不是爬虫管的事情。你可以手动获取、用 http 请求模拟登陆或者用模拟浏览器自动登陆获取 cookie 。]
2 、爬虫怎么抽取网页的信息？ [开源爬虫一般都会集成网页抽取工具。主要支持两种规范： CSS SELECTOR 和
XPATH 。]
3 、爬虫怎么保存网页的信息？ [有一些爬虫，自带一个模块负责持久化。比如 webmagic ，有一个模块叫 pipeline 。通过简单地配置，可以将爬虫抽取到的信息，持久化到文件、数据库等。还有一些爬虫，并没有直接给用户提供数据持久化的模块。比如 crawler4j 和 webcollector 。让用户自己在网页处理模块中添加提交数据库的操作。]

[tumbzzc]

可以。
但是最好是严格匹配“报名”，然后进入有“报名”的员工的个人页，读取员工信息

[b821025551b]

可以，重点是如何匹配满足条件的用户，比如有个人回复了“我才不报名呢！”，该如何处理？

[xenme]

为啥不加个按钮，我要报名或者直接爬库，简单多了

[xjx0524]

这种需求不能单独做一个报名页面么。。。
或者直接创建个 Google 表单

[tumbzzc]

@xjx0524 这装的。为什么不考虑中国无法访问谷歌的问题？不如用问卷星

[zhouyg]

直接读数据库不是最快么

[snopy]

@all 其实我想咨询下具体点的技术细节，待会我到家了上个帖子的截图，谢谢

[why1]

不用签字确认吗

[qiayue]

直接金数据建个表单 jinshuju.net

[liudanning]

https://github.com/liudanning/spider/tree/dev
用 nodejs 和 jquery 的话可以尝试这个，可以看 test 里的示例用法， master 分支的太老没更新，用 dev 分支

[hanzichi]

肯定可以啊，不过要严格规定格式吧，不能无效灌水

[snopy]

恩，有人已经这么做了，参考 http://www.jianshu.com/p/448af630dd72

[alfer]

简单问题复杂化，你们自己公司直接读数据不就行了？
如果就想用爬虫做也可以，例子也大把。