夜息:数据采集小贴士

采集数据其实大学有教,不过可能是研究生的课程,并且可能也不能算一门课,只是一项技术。

采集数据需要哪些技术

http通信原理

html/css/js

各种编码

一门语言

敏(YIN)捷(DANG)的思维

数据采集工具

很多人都会问我,”请问采集数据用什么工具好呢?”。这样的问题我都很难回答,例如抗日战争中解放军小米加步枪也能日军精良的装备对抗,你敢说小米加步枪是无敌的吗?工具只是把一些繁琐的操作简化了,但是解决问题是要抓到本质。本人使用的一些工具

火车头:基本能解决80%的采集问题

Python以及各种库以及Shell:上面解决不了才用这个

Httpwatch/Fiddler/开发者工具:抓包分析

一个能用文本工具(比如notepad++,UE等。windows的记事本不是能用的工具,谢谢。):简单的替换,检查数据正确性,转转编码等

能快速搭建起来的Web环境,数据有时候直接入本地库,更加方便,有时候采集一些接口是js调用的,那可以本地搭一个然后采集本地

采集数据小贴士

说的会比较简略,但是都是实战经验,希望能给一时卡壳的朋友一点帮助。

\xXX,\uXXXXX这种都是javascript的转义,%XX是URL的编码,GBK和utf8编出来是不一样的(感谢zero大神指点)

能采集js的就不要去采集html

如果PC版本的页面很难分析,试试wap站或者移动站

遇到页面html不完整的网页用不了xpath,可以找找自动补全html的库,比如python的BeautifulSoup。C#的html parser

例如你要采集www.xxx.com的很多网页,可以从sitemap入口,具体方法可以查看根目录下的robots.txt,或者试试根目录下的sitemap.xml,再不行就在google中搜索site:xxx.com filetype:xml或者inurl:xml。

使用火车头采集完保存文件的话,如果数据量大,千万别执行保存的步骤,直接用数据库工具(例如navicat)直接导出数据库。(时间可以差10000倍…)

网上的免费代理列表=付费的http代理列表<肉鸡<VPN<自己买VPS搭($$)=ADSL拨号

例如http://www.xxx.com/,你只想匹配www.xxx.com,怎么办?试试零宽断言

原文地址:http://www.imyexi.com/?p=932

  • 版权声明:除非注明,本博客均为北京SEO方法的原创文章,转载或引用请以超链接形式标明本文地址,否则会在SEO圈内公开此种不尊重版权的行为,谢谢合作!本文地址:http://seofangfa.com/seo-tool/data-collection-tips.html
    本文信息:于3年前,由方法SEO发表,共 979字。

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen:

目前评论:1   其中:访客  0   博主  0   引用   1

    来自外部的引用: 1

    • 夜息:数据采集小贴士 – 人也欢博客