如何从互联网采集海量数据？租房,二手房,薪酬…

作者：沙漠君

不少朋友看了沙漠君的文章后，都会问：那几十万条租房，二手房，薪酬，乃至天气数据都是从哪里来的？其实我还没告诉你这些数据在十几分钟内就可以采集到！

一般我会回答，我用专门的工具，无需编程也能快速抓取。之后肯定又会被问，在哪里能下载这个工具呢？

我淡淡的说，我自己写的。。。(这个B装的…我给95分！)

沙漠君最近比较忙乱，说好的一大堆写作任务都还没有完成。

授人以鱼不如授人以渔，我做了一个决定，将这套软件全部开源到GitHub ！

免费使用，开放源代码！ 从此以后，估计很多做爬虫的工程师要失业了。。。因为我的目标是让普通人也能使用！！！目标有点远大，不过貌似距离不远了（不到一光年吧）。

这篇文章介绍爬虫大概的原理，文末会有程序地址。

什么是爬虫？

互联网是一张大网，采集数据的小程序可以形象地称之为爬虫或者蜘蛛。

爬虫的原理很简单，我们在访问网页时，会点击翻页按钮和超链接，浏览器会帮我们请求所有的资源和图片。所以，你可以设计一个程序，能够模拟人在浏览器上的操作，让网站误认为爬虫是正常访问者，它就会把所需的数据乖乖送回来。

爬虫分为两种，一种像百度（黑）那样什么都抓的搜索引擎爬虫。另一种就是沙漠君开发的，只精确地抓取所需的内容：比如我只要二手房信息，旁边的广告和新闻一律不要。

爬虫这样的名字并不好听，所以我给这套软件起名为Hawk，指代为”鹰”，能够精确，快速地捕捉猎物。 基本不需编程，通过图形化拖拽的操作来快速设计爬虫，有点像Photoshop。它能在20分钟内编写大众点评的爬虫（简化版只需3分钟），然后让它运行就好啦

自动将网页导出为Excel

那么，一个页面那么大，爬虫怎么知道我想要什么呢？

人当然可以很容易地看出，上图的红框是二手房信息，但机器不知道。

网页是一种有结构的树，而重要信息所在的节点，往往枝繁叶茂。 举个不恰当的比方，一大家子人构成树状族谱，谁最厉害？当然是：

• 孩子多，最好一生20个
• 孩子各个都很争气（生的孙子多）
• 最好每个孩子还都很像（清一色的一米八）

大家就会觉得这一家子太厉害了！

我们对整个树结构进行打分，自然就能找到那个最牛的节点，就是我们要的表格。找到最牛爸爸之后，儿子们虽然相似：个子高，长得帅，两条胳膊两条腿，但这些都是共性，没有信息量，我们关心的是特性。大儿子锥子脸，跟其他人都不一样，那脸蛋就是重要信息；三儿子最有钱——钱也是我们关心的。 因此，对比儿子们的不同属性，我们就能知道哪些信息是重要的了。

回到网页采集这个例子，通过一套有趣的算法，给一个网页的地址，软件就会自动地把它转成Excel! （听不懂吧？听不懂正常， 不要在意这些细节！总之你知道这是沙漠君设计的就好了）

破解翻页限制

获取了一页的数据，这还不够，我们要获取所有页面的数据！这简单，我们让程序依次地请求第1页，第2页…数据就收集回来了

就这么简单吗？网站怎么可能让自己宝贵的数据被这么轻松地抓走呢？所以它只能翻到第50页或第100页。链家就是这样：

这也难不倒我们，每页有30个数据，100页最多能呈现3000条数据。北京有16个区县两万个小区，但每个区的小区数量就没有3000个了，我们可分别获取每个区的小区列表。每个小区最多有300多套在售二手房，这样就能获取链家的所有二手房了。

哈哈哈，是不是被沙漠君的机智所倾倒了？然后我们启动抓取器，Hawk就会给每个子线程（可以理解为机器人）分配任务：给我抓取这个小区的所有二手房！ 然后你就会看到壮观的场面：一堆小机器人，同心协力地从网站上搬数据，超牛迅雷有没有？同时100个任务！！上个厕所回来就抓完了！！！

清洗：识别并转换内容

获取的数据大概长这样：

但你会看到，里面会有些奇怪的字符应该去去掉。xx平米应该都把数字提取出来。而售价，有的是2130000元，有的是373万元，这些都很难处理。

BUT，没关系！Hawk能够自动识别所有的数据：

• 发现面积那一列的乱码，自动去掉
• 识别价格，并把所有的价格都转换为万元单位
• 发现美元，转换为人民币
• 发现日期，比如2014.12或2014年12.31，都能转换为2014年12月31日

哈哈，然后你就能够轻松地把这些数据拿去作分析了，纯净无污染！

破解需要登录的网站

此处的意思当然不是去破解用户名密码，沙漠君还没强到那个程度。 有些网站的数据，都需要登录才能访问。这也难不倒我们。

当你开启了Hawk内置了嗅探功能时，Hawk就像一个录音机一样，会记录你对目标网站的访问操作。之后它就会将其重放出来，从而实现自动登录。

你会不会担心Hawk保存你的用户名密码？不保存怎么自动登录呢？但是Hawk是开源的，所有代码都经过了审查，是安全的。你的私密信息，只会躺在你自己的硬盘里。

(我们就这样自动登录了大众点评)

是不是我也可以抓数据了？

理论上是的。但道高一尺魔高一丈，不同的网站千差万别，对抗爬虫的技术也有很多种。而且小虫虫对细节非常敏感，只要错一点，后面的步骤就可能进行不下去了。

怎么办呢？沙漠君把之前的操作保存并分享出来，你只要加载这些文件就能快速获取数据了。

如果你有其他网站的获取需求，可以去找你身边的程序员同学，让他们来帮忙抓数据，或让他们来试试Hawk，看看谁的效率更高。

如果你是文科生妹子，那还是建议你多看看东野奎吾和村上春树，直接上手这么复杂的软件会让你抓狂的。那该找谁帮忙抓数据呢？嘿嘿嘿…

via：沙漠之鹰

End.