“网络抓取”的版本间的差异
来自Wiki.Citydatum
小 |
小 |
||
| 第2行： | 第2行： | ||
网络抓取是指利用软件或爬虫，采集互联网数据。 | 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 === | === 网络内容传播的相关技术 === | ||
* [[HTML]]、[[XML]]、[[JSON]]、[[HTTP]]、[[AJAX]] | * [[HTML]]、[[XML]]、[[JSON]]、[[HTTP]]、[[AJAX]] | ||
| 第8行： | 第8行： | ||
* [[正则表达式]]、XPATH查询语言 | * [[正则表达式]]、XPATH查询语言 | ||
| − | |||
=== 网络抓取策略 === | === 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。 | 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。 | ||
| 第16行： | 第15行： | ||
=== 爬虫编程 === | === 爬虫编程 === | ||
| − | * [[R语言]] | + | * [[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。 | * [[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 == | == 参考链接 == | ||
* [https://en.wikipedia.org/wiki/Web_crawler Wikipedia: Web crawler] | * [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] | * [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] | ||
2018年10月19日 (五) 18:38的版本
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
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
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：《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；
