原创力文档- 1、本文档共2页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
先天下之忧而忧，后天下之乐而乐。——范仲淹
八爪鱼数据采集实验报告总结
一、八爪鱼采集原理
八爪鱼网页数据采集客户端使用的开发语言是C#，运行在
Windows系统。客户端主程序负责任务配置及管理，任务的云采集
控制，云集成数据的管理（导出，清理，发布）。数据导出程序负责
数据的导出Excel，SQL，TXT，MYSQL等，支持一次导出百万级别数
据。本地采集程序负责根据工作流对网页进行打开，抓取，采集数
据，通过正则表达式与Xpath原理，快速获取网页数据。
整个采集流程基于Firefox内核浏览器，通过模拟人的思维操
作方式（如打开网页，点击网页中的某个按钮），对网页内容进行全
自动提取。系统完全可视化流程操作，无需专业知识，轻松实现数
据采集。通过对网页源码中各个数据XPath路径的准确定位，八爪
鱼可以批量化准确采集出用户所需数据。
二、八爪鱼实现的功能
八爪鱼网页数据采集系统以完全自主研发的分布式云计算平台
为核心，可以在很短的时间内，轻松从各种不同的网站或者网页获
取大量的规范化数据，帮助任何需要从网页获取信息的客户实现数
据自动化采集、编辑、规范化，摆脱对人工搜索及收集数据的依
赖，从而降低获取信息的成本、提高效率。涉及到政府、高校、企
业、银行、电商、科研、汽车、房产、媒体等众多行业及领域。
八爪鱼作为一款通用的网页数据采集器，其并不针对于某一网
天将降大任于斯人也，必先苦其心志，劳其筋骨，饿其体肤，空乏其身，行拂乱其所为。——《孟子》
站某一行业的数据进行采集，而是网页上所能看到或网页源码中有
的文本信息几乎都能采集，市面上98%的网页都可以用八爪鱼进行
采集。
使用本地采集（单机采集），除了可以实现绝大多数网页数据的
爬取，还可以采集过程中对数据进行初步的清洗。如使用程序自带
的正则工具，利用正则表达式将数据格式化。在数据源头即可实现
去除空格、筛选日期等多种操作。其次八爪鱼还有提供分支判断功
能，可对网页中信息进行是与否的逻辑判断，实现用户筛选需求。
云采集除具有本地采集（单机采集）的全部功能之外，还可以
实现定时采集，实时监控，数据自动去重并入库，增量采集，自动
识别验证码，API接口多元化导出数据以及修改参数。同时利用云
端多节点并发运行，采集速度将远超于本地采集（单机采集），多
IP在任务启动时自动切换还可避免网站的IP封锁，实现采集数据
的最大化。
文档评论（0）