第八讲 数据的采集

数据采集是数据挖掘的基础。一个数据的走势,是由多个维度影响的,需要通过多源的数据采集,收集尽可能多的数据维度,同时保证数据质量。
数据源分为以下四类:
在这里插入图片描述

  1. 开放数据源:针对行业的数据库。
  2. 爬虫抓取:针对特定的网站和APP
  3. 日志采集:统计用户的操作。在前端进行埋点,后端进行脚本收集和统计,进而分析网站的访问情况,以及使用瓶颈等。
  4. 传感器:采集物理信息。

采集方法

1、开放数据源
从两个维度考虑,一是单位的维度,如政府、高校;另一个是行业维度,如金融、交通领域。下图为单位维度的数据源。
在这里插入图片描述

2、爬虫抓取数据
最直接的方法是使用Python编写爬虫代码。会经历三个过程:
(1)使用Requests爬取内容。Requests库是Python的HTTP库,方便快捷。
(2)使用XPath(XML Path ,XML路径语言)解析内容。可以通过元素和属性进行位置索引。
(3)使用Pandas保存数据。最后通过Pandas再写入到XLS或MySQL等数据库中。

另外,还可以不通过编程就抓取到网页信息,常用的抓取工具有:火车采集器、八爪鱼、搜集客。
自动化采集的关键是:自动切换IP以及云采集。
3、日志采集工具
日志采集的最大作用,就是通过分析用户的访问情况,提升系统的性能,从而提高系统的承载量。日志记录了用户访问网站的全过程,日志数据被写在日志文件中。日志采集可分为两种形式:
(1)通过Web服务器采集,一般Web服务器自带日志功能。
(2)自定义采集用户行为
埋点是日志采集的关键步骤,就是在有需要的位置采集相应信息,进行上报。方法是,在需要统计数据的地方植入统计代码,可以自己写,也可以使用第三方工具,如:友盟、Google Analysis等

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值