数据采集分析
目的:获取最有用,最有价值的信息,分析判断其经济价值
思路如下:
1.范围大:采集范围尽可能大些,如果太小影响获取信息价值,达不到采集的效果
方法:把规则尽可能匹配范围大些(特殊要求除外)
2.时间:采集时间尽可能保证24小时以上,区分工作日与休息日
3.去重sguid/IP,去除无效信息。(例如,.js / .css /.jgp/.png ...等)
方法:使用正则或是sql语句剔除无效的
目的:获取最有用,最有价值的信息,分析判断其经济价值
思路如下:
1.范围大:采集范围尽可能大些,如果太小影响获取信息价值,达不到采集的效果
方法:把规则尽可能匹配范围大些(特殊要求除外)
2.时间:采集时间尽可能保证24小时以上,区分工作日与休息日
3.去重sguid/IP,去除无效信息。(例如,.js / .css /.jgp/.png ...等)
方法:使用正则或是sql语句剔除无效的
4.分类:对采集到的信息进行分类,对不同类的URL要手工检测下网址(或使用蟒获取其标题信息)
对敏感信息网址不予跳转(防止误操作导致跳转)