查看“网络抓取”的源代码

{{提示|该页面仍需进一步完善，欢迎加入我们}}
网络抓取是指利用软件或爬虫，采集互联网数据。

== 概述 ==
=== 网络内容传播的相关技术 ===
* [[HTML]]、[[XML]]、[[JSON]]、[[HTTP]]、[[AJAX]]
=== 网络信息提取的相关技术 ===
* [[正则表达式]]、XPATH查询语言

=== 网络抓取策略 ===
网络抓取有可能受到知识产权侵权的指控，尤其是将抓取内容用于商业目的重新发布的情况下。为避免不必要的纠纷，抓取网络内容时应尽可能将工作透明化，遵循[[robots.txt]]声明的非正式规则，随时记录数据来源，并将下载内容的使用局限在研究分析领域。

=== 抓取工具 ===
* [http://www.locoy.com/ 火车采集器]、[http://www.bazhuayu.com/ 八爪鱼采集器]

=== 爬虫编程 ===
* [[R语言]]：利用RCurl、XML包，R语言可方便地抓取网络数据。推荐图书：[https://book.douban.com/subject/26755418/ 《基于R语言的自动数据收集》]。
* [[Python]]：Python3.x标准库urllib（Python2.x标准库urllib，urllib2）提供了网络抓取所需的相关功能。

== 应用案例 ==
* 抓取维基百科濒危世界遗产地表格，清理数据，以便分析世界遗产地保护情况；

== 上手 ==

== 参考链接 ==
* [https://en.wikipedia.org/wiki/Web_crawler Wikipedia: Web crawler]
* [https://baike.baidu.com/item/%E7%BD%91%E7%BB%9C%E7%88%AC%E8%99%AB 百度百科：网络爬虫]