12种文本数据采集方法

如何收集文本数据，来实现数据分析、数据训练、数据拓客使用，是目前所有人面临的一个技术问题。如果市场上有个技术或者有个工具可以聚合这些数据的话，我觉得将会促进大数据+AI的发展。数据采集根据采集数据的类型可以分为不同的方式,主要方式有:传感器采集、爬虫、录入。对于新闻资讯类、行业互联网和政府开放的数据,可以通过编写网络爬虫,设置好数据源后进行有目标性的爬取数据。下面是我对除了文本数据外，把平时大家接用比较多各种数据源的网址、开放类型、采集方法进行整理分类，希望可以帮助到大家快速找到时候自己的方法。

1、目前常用的12种数据网站

名称	种类	网址	公开方式	获取方式
工商网	工商信息	http://www.gsxt.gov.cn	工商局免费公示	1.通过自己写python爬虫，自动爬取（需要采用图像识别技术识别处理验证码）2.通过下载近探拓客这种工具自动采集3.通过调用百度阿里云那种接口付费
天眼查网	工商信息	http://www.tianyancha.com	免费查询会员收费下载	1.通过注册会员付费下载2.通过写爬虫采集(模拟VIP登录技术，可以用pythonselenium等技术采集)
企查查网	工商信息	http://www.qichacha.com	免费查询会员收费下载	1.通过注册会员付费下载2.通过写爬虫采集(模拟VIP登录技术，可以用python、selenium等技术采集)
企信宝网	工商信息	https://www.qixin.com/	免费查询会员收费下载	1.通过注册会员付费下载2.通过写爬虫采集(模拟VIP登录技术，可以用python、selenium等技术采集)
淘宝网	电商信息	http://www.taobao.com	开放搜索	1.这种只有通过自己写爬虫代码采集，可以用python、selenium等技术采集
虎赢	工商信息电商信息外贸信息行业信息	http://data.itdakaedu.com	数据库打包查询	1.可以通过近探拓客工具直接下载2.通过接口调取
天猫	电商信息	https://www.tmall.com/	开放搜索	1.这种只有通过自己写爬虫代码采集，可以用python、selenium等技术采集
美团网	外卖信息	https://www.meituan.com/	开放搜索	1.这种只有通过自己写爬虫代码采集，可以用python、selenium等技术采集
商标网	商标信息	http://sbj.cnipa.gov.cn/	商标局免费公开	1.自己用python写代码采集（需要处理反爬）2.下载近探拓客这些工具下载3.可以调取像虎赢、阿里、京东云接口付费下载
专利网	专利信息	https://www.cnipa.gov.cn/	知识产权局免费公开	1.可自己写python爬虫采集2.可以调取像虎赢接口付费下载
58网	租房信息	http://www.58.com	公开搜索	1.通过自己写python爬虫可实现采集2.虎赢postMan工具也可以采集
智联网	招聘信息	http://www.zhaopin.com	公开搜索	1.通过自己写爬虫可实现采集

2、如何写Python爬虫：

下面给大家提供我们用python采集数据时候，需要安装的环境和如何写一个python爬虫给大家做个详细介绍。
（1）爬虫的流程描述：
爬虫就是通过模拟人打开浏览器方式去打开网站然后把网页的数据采集下来，只是人通过浏览器打开网页比较慢，比如您打开1万页的数据，估计需要1天时间，但是爬虫是代码自己循环打开，估计就10秒钟就扫描网了，所以爬虫其实没有什么高难度，就是通过代码技术解决人力效率问题
（2）爬虫需要解决问题：
因为爬虫是模仿人的行为像操作浏览器一样去打开网站，但是毕竟不是人的真实行为，他打开网站的速度太卡，会被网站的反爬机制识别出来是机器访问，就会进行拦截或者屏蔽，所以您在写爬虫打开某个网站的时候估计就会面临 IP被封或者出现验证码或者出现需要vip登录。这个就是所有爬虫必须要解决的三座大山。其实要解决这个很简单，就采用代理IP池解决封IP,采用图像识别进行验证码处理，采用模拟登录cookie池解决需要账号登录问题。
（3）写爬虫需要安装的环境和工具：
1 安装 selenium工具（专门模仿浏览器的）
2 安装python3.7
3 安装 xml 库（python解析网页时候用的）
4 安装 bs4 (解析网页数据用)
5 安装 request (模拟请求网站的时候核心库）

3、人生第一个爬虫代码示例：

当您安装完上面基本的爬虫环境和工具后,我们可以开始一个用request方法采集天眼的试一试。

from bs4 import BeautifulSoup
import os
import requests
#定义您要爬取哪个网站
url = 'http://www.tianyancha.com'
#开始采集这个地址
data = requests.get(url)
#打印看看采集结果
print(data.text)
#后面就是 通过bs4解析网页结构 得到数据即可
Print(data)

另外：

这只是简单第一步request示例代码，高级的爬虫架构还有 scrapy、cookie池搭建、代理IP池搭建、分布式多进程等、，像这种采集微信、微信加人、商标、工商、专利、电商、外贸等网站真正采集起来都是需要处理绕过验证码、需要解决封IP、需要解模拟决账号登录等问题，解决这种问题需要根据每个网站的情况来写不同的爬虫策略的，我现在主要是聚合数据来做AI训练和分析，还要标记各种数据训练集，比如我2021年光工商的就有1.5亿数、商标的就有4000万、外贸的有600亿，还有各种音频、视频、文本海量的这些数据都采集下来后，下面就是就需要构建图谱和做AI训练，或者做数据分析，有任何问题技术可以与我交流，扣**扣是2805195685。