更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

当前位置: 首页 > 技术文章 >
Web数据采集 - 让我们帮你节省生命吧!
发布时间:2011-11-11 来源:原创 浏览:

最近经常有客户咨询Web数据采集业务到底是做什么的。鲲鹏数据的技术人员特意通过下面的一个实例做一说明。

有时如果由于工作要求,我们需要从某个(些)网站上获取大量的信息,比如做市场调查、收集客户资料、建立自己的垂直搜索系统等等。这肯定是个令人头疼的差事,复制粘贴、复制粘贴、再复制再粘贴......,真要命。

时间不能就这样白白浪费了。况且有的时候目标是海量的数据,你甚至无法仅靠复制粘贴(粘到猴年马月也粘不完)。我们(鲲鹏Web数据采集)成立的初衷就是为了给客户解决诸如此类的问题,为大家节省宝贵的时间、提高工作效率。

我们通过对目标网站进行分析,针对客户的需求(需要的字段、需要的格式)定制出采集程序,然后客户只需要运行这个程序就可以得到他们想要的数据。

 

下面通过一个简单的例子(这是一个英国客户的真实案例):

客户需要从下面这26个列表页面上获取医生的详细信息(大约共计2500条)。

http://www.dentist.state.ok.us/lists/ddsa.htm 

http://www.dentist.state.ok.us/lists/ddsb.htm

http://www.dentist.state.ok.us/lists/ddsc.htm

...

http://www.dentist.state.ok.us/lists/ddsz.htm

客户需要如下的字段:

Name,Title,Address,City,State,Zip,License #,License Date,Graduation Date,Status,Disciplinary Action,General Anesthesia Permit,Specialty,Specialty License Date,Specialty License #

需要的数据格式是MySQL。

经过我们技术人员对页面结构分,开发出了采集脚本。客户只需要运行这个脚本就可以得到想要的数据(当然还要配置脚本需要的运行环境),以后如果网站数据有了更新,只需要再次运行采集程序即可。

项目最终的演示效果如下视频:

在优酷观看:http://v.youku.com/v_show/id_XMzIxMzA0MzA4.html

 

真诚地期待着我们也能为您解决类似的问题。

特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。现在改用国产的友言。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。