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