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
夜息个人介绍:
夜息 ,原名陈汝一。目前就职于途牛旅游网负责SEO工作,5年SEO经验。SEO顾问服务过多个行业,大中小规模的网站,并且取得了明显的流量增长效果。在业内具有良好的人脉资源,与国内各大互联网公司相关人士有密切交流。SEO思想被百度官方推荐,与百度官方有良好的沟通渠道。
夜息SEO培训,做有技术的SEO。不是用一个模具把你塑造成一个不会独立思考只会高效执行的机器人,我们希望赋予每一个学员真正的思考能力与可借鉴的真实经验。网址:www.itseo.net