2011~至今 百度指数采集方法与工具、支持百度指数、资讯指数、媒体指数

**

2020百度热度指数&论文数据概述

**
百度指数是以百度海量网民行为数据为基础的数据分享平台。在这里，你可以研究关键词搜索趋势、洞察网民兴趣和需求、监测舆情动向、定位受众特征。
历来百度指数的采集是爬虫界的梦魇，众多程序员也为采集百度指数绞尽脑汁，本人也经历了各个阶段。这里说说自己的实现经历：

1）模拟曲线似合。

模拟曲线拟合是我实现的第一个版本。从上图可以看见，指定曲线有特定的颜色，因为可以用python的图片处理库在图表截中搜索特定的点。同时结合最右典的刻度尺，就能够大概推算出当天的指数值。

这种方式有如下缺陷：
a - 指数在坡度变化大的地方推算出来的值误差较大。

b - 需要处理的细节很多。如在A\B\C\D\E\F等拐点处，这几个点的颜色与线条的颜色完全一样，因此需要做特殊处理。

c - 找点颜色算法的效率。我当初采用的方案是从上到下、从右到右。先找到最左右的第一个点，然后在附近查询。因为点是连续的。一般情况下一定能找到一个就近点。若因图片或其它干扰因素没有找到怎么处理呢？ 那么就先找下一个点，然后推算出当前缺失的点。

流程一般是： 截图 -> 截取刻度尺-> 找点 -> 估值。

（2）图片文字识别

这种采集效率太低，而且准确率不高。

• 间隔时间1天误差: 0.1%

• 间隔时间10天误差: 0.2% 建议采用该间隔！

• 间隔时间30天误差：1%