6个工具让网页抓取变得轻而易举

大家好，欢迎来到pypyai游乐园 ！

任何数据科学项目都离不开数据。没有数据就没有“数据科学”。大多数数据科学项目中用于分析和构建机器学习模型的数据存储在数据库中，但有时数据也来自是网络。

你可以从某个网页收集某种产品的数据，或者从社交媒体中发现某种模式，也许是情感分析。不管您为什么收集数据或打算如何使用数据，从Web收集数据（Web抓取）都是一项非常繁琐的工作。您需要做一些繁琐的工作事情才能达到目的。

Web抓取是您作为数据科学家需要掌握的重要技能之一。为了让得到的结果准确并有意义，您需要知道如何查找，收集和清理数据。

Web抓取一直是法律的灰色领域。在我们深入研究数据提取工具之前，我们需要确保您的活动是完全合法的。2020年，美国法院将网上抓取公开数据完全合法化。也就是说，如果任何人都可以在线找到数据（例如Wiki文章），则抓取网页也是合法的。
但是，当您这样做时，请确保：

1、您不会以侵犯版权的方式重复使用或重新发布数据。

2、您尊重您要抓取的网站的服务条款。

3、您有一个合理的抓取率。

4、您不要尝试抓取网站的非共享内容。

只要您没有违反这些条款中的任何一项，您的网络抓取活动就是合法的。
如果使用Python构建数据科学项目，可能会用到BeatifulSoup收集数据，然后用Pandas对其进行分析。本文将为您提供6种不包含BeatifulSoup的Web抓取工具，您可以免费使用它们来收集下一个项目所需的数据。

Commom Crawl

网址：https://commoncrawl.org/
Common Crawl的开发者开发此工具是因为他们相信每个人都应该有机会探索和分析他们周围的世界，并发现其模式。他们坚持他们的开源信念，提供只有大公司和研究机构才能免费获得的高质量数据。
这意味着，如果您是一名大学生，正在探索数据科学领域，或者是一位研究人员正在寻找下一个感兴趣的主题，或者只是一个喜欢揭示模式并寻找趋势的好奇者，则可以使用此工具而无需担心费用或任何其他复杂的财务问题。
Common Crawl提供原始网页数据和和用于文本提取的开放数据集。为方便教育工作者教授数据分析，它还提供不用编码的使用案例和资源。

Crawly

网址：http://crawly.diffbot.com/
Crawly是另一个令人令人赞叹的抓取工具，特别是如果您只需要从网站中提取基本数据，或者希望以CSV格式提取数据，缺不想编写任何代码就对其进行分析的时候。
您所需要做的就是输入一个URL，发送提取数据的电子邮件地址，所需的数据格式（在CSV或JSON之间选择）。然后立即马上，已抓取的数据就在您的邮件收件箱里了。您可以使用JSON格式，然后使用Pandas和Matplotlib或任何其他编程语言在Python中分析数据。
如果您不是程序员，或者只是刚开始使用数据科学和Web抓取技术，Crawly是完美的选择，但它有其局限性。它只能提取一组有限的HTML标签，包括，Title，Author，Image URL，和Publisher。

ContentGrabber

网址：https://contentgrabber.com/Manual/understandingtheconcept.htm
Content Grabber是我最喜欢的Web抓取工具之一，因为它非常灵活。如果您只想抓取网页而又不想指定任何其他参数，则可以使用其简单的GUI进行操作。但Content Grabber也可以让您完全控制参数选择。
Content Grabber的优点之一是您可以安排它自动从Web上抓取信息。众所周知，大多数网页都会定期更新，因此定期提取内容可能会非常有用。
它还为提取的数据提供了多种格式，从CSV，JSON到SQL Server或MySQL。

Webhose.io

网址：https://webhose.io/
Webhose.io是一个网络抓取工具，可让您从任何在线资源中提取企业级实时数据。Webhose.io收集的数据是结构化的，干净的包含了情感和实体识别，并且可以以XML，RSS和JSON等不同格式使用。
Webhose.io的数据覆盖所有公共网站。此外，它提供了许多过滤器来优化提取的数据，因此只需较少的清理工作及可直接进入分析阶段。
Webhose.io的免费版本每月提供1000个HTTP请求。付费计划提供了更多抓取请求。Webhose.io具有对提取数据的强大支持，并提供图像分析和地理定位以及长达10年的存档历史数据等诸多功能。

ParseHub

网址：https://www.parsehub.com/
ParseHub是一个强大的Web抓取工具，任何人都可以免费使用。只需单击一下按钮，即可提供可靠，准确的数据提取。您还可以设定抓取时间以便及时更新数据。
ParseHub的优势之一是它可以轻松处理复杂的网页。您甚至可以指示它搜索表单，菜单，登录网站，甚至单击图像或地图获取更多数据。
您还可以为ParseHub提供各种链接和一些关键字，它可以在几秒钟内提取相关信息。最后，您可以使用REST API以JSON或CSV格式下载提取的数据进行分析。您也可以将收集的数据导出为Google表格或Tableau。

Scrapingbee

网址：https://bit.ly/2P8gRAA
我们介绍的最后一个抓取工具是Scrapingbee。Scrapingbee提供了一种用于Web抓取的API，该API甚至可以处理最复杂的Javascript页面并将其转换为原始HTML供您使用。此外，它具有专用的API，可用于使用Google搜索进行网页抓取。
Scrapingbee可以通过以下三种方式之一使用：

1. 常规Web爬网，例如，提取股票价格或客户评论。
2. 搜索引擎结果页通常用于SEO或关键字监视。
3. 增长黑客，包括提取联系信息或社交媒体信息。
   Scrapingbee提供了一个免费计划，其中包括1000次额度和可无限使用的付费计划。

最后
在数据科学项目工作流程中，为项目收集数据可能是最有趣，最乏味的步骤。这项任务可能会非常耗时，并且，如果您在公司甚至是自由职业者中工作，您都知道时间就是金钱，这总是意味着，如果有一种更有效的方法来做某事，则最好使用它。
好消息是，网页抓取不必过于繁琐。您不需要执行它，甚至不需要花费很多时间手动执行它。使用正确的工具可以帮助您节省大量时间，金钱和精力。而且，这些工具对于分析人员或编码背景不足的人员可能是有益的。
当您想选择一种用于抓取网络的工具时，需要考虑下列因素，比如API集成和大规模抓取的可扩展性。本文为您提供了一些可用于不同数据收集机制的工具。使用一下这些工具，然后确定下一个数据收集项目中采取哪个事半功倍的方法。

原文链接：https://towardsdatascience.com/6-web-scraping-tools-that-make-collecting-data-a-breeze-457c44e4411d