汇总:易优采集，超简单的网站数据采集工具

　　汇总:易优采集，超简单的网站数据采集工具

　　易友采集

是一款全平台网页采集

器，无需技术知识即可在可见时采集

。它简单、方便、永远免费、功能强大、智能无处不在。易游采集

要建一个采集站并不难。最简单的网站数据采集就是直接找到目标网站。最初的操作是通过手工复制粘贴，后来发展到使用*敏*感*词*或自动化的工具，比如易游采集

。采集站通过易友采集的主要工作是增加本站文章被百度收录的数量。基本上离不开文章组合工具，它支持原创的词组和句子的随意组合。采集

文章并不难，但它需要一定的时间。技能。飓风算法后采集站还能做吗？毫无疑问，当然。

　　

" />

　　易友采集

的总体思路，采集

方法如下：

　　一、文章集锦

　　1.首先找到需要采集的数据源，找到一个采集好，权重排名好，有大量文章的数据源，通过易友合集进行采集。

　　2.编写规则采集或指定网址一键采集。这种采集

采集

的网站垃圾内容比较少，比较全。

　　3、建议挂机自动轮训采集。通常每个站每天发布的文章成百上千篇，挂机自动采集就足够一个站随便发布文章了。

　　

" />

　　4、文章这里要插入关键词版面，标题：关键词或关键词+title，准备好的词汇用于TAG。

　　2.文章处理

　　1.垃圾内容过滤，比如别人的品牌词，一些非文字内容。

　　解决方案:研究 | 教育大数据的来源与采集技术

　　立足教育科技，促进学术研究，促进工作交流，服务行业发展。摘要 教育数据的全面、自然、动态、连续采集是教育大数据建设的基础性和先导性工作。业务的不同直接导致教育数据的来源更加多样化，数据采集更加复杂。文章探讨了教育大数据的来源，认为教育大数据产生于各种教育实践，核心数据来源是“人”和“物”；介绍了4大类13种常用的数据采集技术，包括技术、视频录制技术、图像识别技术、平台采集技术，指出每种技术采集

的数据范围和重点不同；总结教育数据采集注意事项：提前规划设计，有明确的边界，保持连续性和规范性，采集粒度尽可能小，采集过程要合乎伦理。介绍

　　2015年是我国教育大数据元年[1]。政府、企业、学校、研究人员、管理人员、教师和社会公众都开始关注教育大数据、相关政策文件、研究机构、学术活动和市场产品。等到他们开始出现。然而，我国教育大数据研究与实践仍处于起步探索阶段，处于“摸着石头过河”的阶段，涉及一系列亟待解决的关键问题（如自然采集教育数据安全管理与隐私保护、教育数据无缝传输与开放共享、教育数据深度挖掘与学习分析等）。其中，综合性、自然性、教育数据的动态、连续采集是构建教育大数据的基础性和先导性工作。这就需要厘清一些基本问题：教育数据的来源在哪里？需要采集

哪些数据？常用的数据采集

技术有哪些？采集

时应该注意什么？本文试图回答上述问题。教育大数据源头

　　教育是一个超复杂的系统，涉及教学、管理、教研、服务等诸多业务。不同于财务系统清晰、规范、一致的业务流程，不同地区、不同学校的教育业务虽然有一定的共性，但差异性也非常突出，业务的差异化直接导致教育数据源越来越多. 多变量和数据采集

更复杂。教育大数据产生于各种教育实践，包括校园环境中的教学活动、管理活动、科研活动和校园生活，以及家庭、社区、博物馆、图书馆等非正式环境中的学习活动；线上教育教学活动还包括线下教育教学活动。教育大数据的核心数据来源是“人”和“物”——“人”包括学生、教师、管理人员、家长，“物”包括信息系统校园网站、服务器、多媒体设备等各种教育设备. 根据来源和范围的不同，教育大数据可分为个体教育大数据、课程教育大数据、班级教育大数据、学校教育大数据、区域教育大数据和全国教育大数据六种类型。收敛向上，由小到大[2]：（1）个体教育大数据包括教育管理信息系列行业标准（教冀[2012]17号）。3）教育部2012年正式发布的教职工和学生基本信息、各种用户行为数据（如学生随时随地的学习行为记录、管理人员的各种操作行为记录、教师的教学行为记录等） .)，以及用户状态描述数据（如学习兴趣、动机、健康状况等）。（2）课程教育大数据是指围绕课程教学产生的相关教育数据，包括课程基础信息、课程成员、课程资源、课程作业、师生互动行为、课程评价等数据，其中课程成员数据来源于个人级别，用于描述与学生课程学习相关的个人信息。（3）班级教育大数据是指以班级为单位采集的各种教育数据，包括班级每个学生的作业数据、考试数据、课程学习数据、课堂记录数据、班级管理数据等。（4）学校教育大数据主要包括学校各类管理数据（如概况、学生管理、办公管理、科研管理、财务管理等）、课堂教学数据、教务数据、校园安全数据、设备使用数据和维护数据、课堂实验室等使用数据、学校能源消耗数据和校园生活数据。（5）区域教育大数据主要来自学校、社会培训和在线教育机构，包括国家标准规定的教育行政管理数据、区域教育云平台生成的各种行为和结果数据，区域教学和研究所需的各种教育资源，各种区域层面的发展数据。教学、科研和学生竞赛数据，以及各种社会培训和在线教育活动数据。（6）全国教育大数据主要汇聚各地区各类教育数据，重点是教育管理数据。

　　图1 教育大数据来源二教育数据采集技术

　　教育数据的采集需要多种技术的综合应用，每种技术采集数据的范围和侧重点各不相同。教育数据采集技术体系如图2所示，包括4大类13种常用数据采集技术。

　　图2 教育大数据采集技术图谱 1 物联网传感技术 这类技术主要包括物联网传感技术、可穿戴设备技术和校园*敏*感*词*技术。其中，物联网传感技术主要用于采集设备状态数据，可穿戴设备技术主要用于采集个体生理数据和学习行为数据，校园*敏*感*词*技术主要用于采集各类校园生活数据。物联网感知技术是实现万物互联的前提，是采集

物理世界信息的重要渠道[3]。目前，物联网传感技术被用于教育领域的基础信息采集，主要是通过传感器和电子标签。通常，传感器用于感知采集点的环境参数，电子标签用于识别采集点的信息。对于采集到的信息数据，需要通过无线网络上传到网络信息中心进行存储，并利用各种智能技术对传感数据进行分析处理，实现智能控制。学校的教室设备、会议设备、实验设备分布分散，信息不透明，管理难度大。通过在这些物理教学设备上贴上RFID标签或传感器，并指派专人管理，实现统一管理和调度，有效检测设备的工作情况。状态。可穿戴设备技术可以将多媒体、传感器、无线通信等技术嵌入到人们的衣服中，支持手势、眼球运动等多种交互方式[4]。近年来，智能眼镜、智能手表、智能手环等新产品不断涌现，形态各异的可穿戴设备逐渐融入人们的日常生活和工作中。

　　

" />

　　可穿戴设备技术为自然采集

学习者的学习、生活和身体数据提供了可能。通过佩戴相关设备，实时记录学习者的运动状态、呼吸量、血压、运动量、睡眠质量等身体状态数据，以及时间、内容、地点、设备等学习信息被学习者使用。此*敏*感*词*包括：餐饮消费、洗浴费用、超市购物、运动健身、课堂考勤、借书、银行转账、电脑费用、学生选课、学生补助、看病买药等.，几乎涵盖了校园生活的方方面面。部分地区的校园*敏*感*词*系统还与城市交通、医疗系统挂钩。学生可以方便地使用*敏*感*词*乘坐公交、地铁、购买药品。这些数据的采集

，不仅对教育管理有价值，对整个城市的管理和规划也有重要意义。2 录像技术 这类技术主要包括视频监控技术、智能录播技术和情感识别技术。其中，视频监控技术主要用于采集校园安全数据，智能录播技术主要用于采集课堂教学数据，情绪识别技术主要用于采集学生学习过程中的情绪数据。

　　校园安全监控系统是为全面实时监控校园运行情况，跟踪学生进出校园，从而准确监测和预测校园内可能发生的危机地点，实现校园防火、防盗和全面的安全管理。[6]. 校园安防监控系统的核心技术是视频监控，主要是利用不同监控点的*敏*感*词*采集整个校园的数据，服务于学校管理中心、市教育局监控中心等不同监控单位进行诊断实时校园安全。视频监控系统可实现对学生、教师及校外人员进出校园的监控，实现对突然跑动、人多等校园异常情况的预警，实现对校园设备的全面监控管理，实现对每个班级情况的监控。有效监测[7]。智能录播系统通过先进的流媒体和智能自动控制技术，实时自动采集课堂教学数据，同时在校园网或互联网上实现视频直播和远程互动教学功能，成为真正时间在网上直播。，点播学习资源，充分再现课堂教学*敏*感*词*[8]。智能录播系统主要通过教室中三个可跟踪定位的*敏*感*词*实时采集教学过程中的音视频信息。此外，智能录播系统还通过电子白板的录屏采集教学课件，最终形成课堂录制视频、教学课件视频和定制化合成视频三种不同角度。通过在课堂安装智能录播系统，实时采集教师在课堂上的提问、指导、评价等教学行为，完整记录教师在教学中使用课件的内容、时间、使用方法等，还可以收学生。回复内容、录音、

　　情绪识别技术通过观察人的表情、行为以及情绪产生的前提环境来推断情绪状态。它的基本目的是赋予计算机像人类一样观察、理解和产生各种情感特征的能力。目前，情绪识别技术主要通过面部表情和语音特征来提取情绪信息。情绪是影响线上线下学习效果的重要变量，学习过程中情绪数据的采集至关重要。通过情绪识别技术，实时判断学生的情绪状态，进而提供有针对性的支持服务。以在线学习为例，当学生在学习过程中感到烦躁时，系统可以通过情绪识别技术给予学生适当的鼓励或减缓学习进度；当学生感到枯燥、压抑时，系统可以适当降低内容难度，并给予鼓励话语，调动学生积极性；当学生感到自信时，系统可以根据学生的水平提供更具挑战性的学习内容和材料[9]。目前主流的情感识别技术都是基于面部表情特征的情感计算。该技术通过*敏*感*词*实时采集学习者的面部特征、肌肉运动等表情特征值，进行情绪识别。此外，它还可以实时采集学习者的语音、文字、绘图等输入信息，并对其中收录

的情感信息进行内容挖掘和智能分析识别。随着人类对人脑结构认识的不断深入，基于脑电波的情感识别采集技术将成为未来情感数据采集和情感识别的重要渠道。3 图像识别技术 图像识别技术是人工智能的一个重要领域，是指利用计算机对图像进行匹配、处理和分析，以识别各种模式的目标和对象的技术[10]，主要包括在线评论、在线阅读技术、点阵数字笔技术和照片搜索技术。随着人类对人脑结构认识的不断深入，基于脑电波的情感识别采集技术将成为未来情感数据采集和情感识别的重要渠道。3 图像识别技术 图像识别技术是人工智能的一个重要领域，是指利用计算机对图像进行匹配、处理和分析，以识别各种模式的目标和对象的技术[10]，主要包括在线评论、在线阅读技术、点阵数字笔技术和照片搜索技术。随着人类对人脑结构认识的不断深入，基于脑电波的情感识别采集技术将成为未来情感数据采集和情感识别的重要渠道。3 图像识别技术 图像识别技术是人工智能的一个重要领域，是指利用计算机对图像进行匹配、处理和分析，以识别各种模式的目标和对象的技术[10]，主要包括在线评论、在线阅读技术、点阵数字笔技术和照片搜索技术。基于脑电波的情感识别采集技术将成为未来情感数据采集和情感识别的重要渠道。3 图像识别技术 图像识别技术是人工智能的一个重要领域，是指利用计算机对图像进行匹配、处理和分析，以识别各种模式的目标和对象的技术[10]，主要包括在线评论、在线阅读技术、点阵数字笔技术和照片搜索技术。基于脑电波的情感识别采集技术将成为未来情感数据采集和情感识别的重要渠道。3 图像识别技术 图像识别技术是人工智能的一个重要领域，是指利用计算机对图像进行匹配、处理和分析，以识别各种模式的目标和对象的技术[10]，主要包括在线评论、在线阅读技术、点阵数字笔技术和照片搜索技术。

　　其中，在线复习和在线阅读技术主要用于采集

学生考试成绩数据，点阵数位笔技术主要用于采集

各种作业、练习、考试数据，图片搜索技术主要用于采集

学生作业练习数据。互联网阅卷系统是目前中考、高考、英语*敏*感*词*等大型考试常用的阅卷技术。是学生考试成绩数据的重要采集技术。阅卷系统依托计算机网络技术和图像处理技术，采用专业的扫描阅览设备，对各类试题答题纸和文件进行扫描处理，从而实现客观题的自动机器批改和教师主观题的高效网络批改。随着题库系统和人工智能技术的不断发展，部分产品已经实现了部分主观题的自动复习。点阵数码笔是一种新型的高科技纸质书写工具。通过在普通纸上印上一层看不见的点阵图案，点阵数码笔前端的高速*敏*感*词*可以随时捕捉笔尖的运动轨迹，同时将数据传回给数据处理器，最后通过蓝牙或USB线将信息发送出去。传输[11]。点阵数码笔不仅可以保存学习者最终的书写结果，还能记录学习者书写过程的信息，如书写方法、书写顺序、书写时间等，还可以结合书写或绘画过程同步录音，记录书写时间。上下文信息。点阵数位笔是一种非常自然的书写数据采集工具，非常贴近用户的日常书写习惯，因此有望成为领先的作业和练习数据采集工具。图片搜索技术是图像识别技术在教育领域的应用形式之一。主要通过终端设备（如智能手机、平板电脑等）获取相关题目的照片，然后由系统自动匹配、处理和分析，最终筛选出题目，

　　市面上越来越多的作业题库产品开始提供图片搜索功能，为学生日常作业练习采集

资料提供了良好的渠道。除了检索问题的答案，图片搜索技术还可以通过上传照片的方式存储学生的作业练习结果和过程数据。通过软件平台的处理和分析，这些数据可以有效地服务于教师的教学决策和学生的自我诊断。4 平台采集技术 这类技术主要包括在线学习与管理平台技术、日志搜索与分析技术、移动APP技术和网络爬虫采集技术。其中，在线学习与管理平台技术主要用于采集

各种在线学习与管理数据，日志查询与分析技术主要用于采集

运维日志和用户日志数据，移动APP技术主要用于采集

各种移动学习过程数据，网络爬虫采集技术主要用于采集教育舆情数据。在线学习与管理平台是当前教育数据采集的重要载体，可以采集

绝大部分的在线学习、教学研究和管理活动数据。各种在线学习平台和管理平台，由于其定位和功能的不同，支持采集

不同范围和类型的教育数据——通常，在线学习平台主要负责采集

课程学习数据，如课程基础信息、课程资源、课程作业、师生互动信息、课程评估结果等；管理平台（如资产管理系统、人事管理系统等）主要负责学籍、设备资产、科研、财务、人事等信息的采集和管理。

　　除了使用专门的在线学习管理平台进行数据采集外，还可以使用第三方插件进行数据采集。例如，基于Firefox浏览器的油猴脚本可以自动采集黑板平台的交互数据，包括*敏*感*词*交互频率、交互内容和交互方向等[12]。日志文件中存储了大量的用户和系统操作信息，通过日志搜索和分析技术可以有效筛选出有用的信息。日志搜索分析技术是指通过日志管理工具对日志进行集中采集和实时索引，提供搜索、分析、可视化和监控等功能，最终实现在线业务实时监控、业务异常定位、业务日志数据的统计分析和安全与合规审计[13]。一方面，日志搜索分析技术可以实时监控教育设备和资产的运行状态，如设备功耗、故障信息、安全威胁等，为智能运维提供数据支持；另一方面可以详细记录用户操作，如系统登录次数、登录时间、增删改查等基本信息，用于教师、学生的行为模式诊断, 和经理。近年来，随着移动终端和通信技术的发展，移动APP技术逐渐成为移动学习过程中数据采集的主导技术。在本质上，移动APP技术类似于在线学习管理平台技术，只是采集渠道来自移动终端，采集方式更加灵活多样。学生可以使用移动终端（如智能手机、平板电脑、PDA等）通过无线网络与云学习平台进行交互。

　　系统结合移动终端定位技术，实时采集学习者的学习位置、学习时间、学习内容、学习状态等信息，服务于教师实时监控学生学习情况，进而实现个性化智能辅导。网络爬虫是一种自动下载网页的计算机程序或自动化脚本，是搜索引擎的重要组成部分[14]。优采云

采集器、网络爬虫软件等网络爬虫产品广泛应用于数据采集领域。他们可以定时从各大门户网站实时采集

数据，监控各大社交网站和博客，自动抓取企业产品相关评论。随着互联网新媒体（如门户网站、微博、和微信），教育领域的信息传播呈现出传播速度快、覆盖面广、内容多样的特点。网络爬虫采集技术可以实时监测和采集教育领域的网络舆情数据，为有效应对各类突发事件提供了可能。3 教育数据采集注意事项

　　数据采集​​是建设教育大数据的基础性和先导性工作。随着许多新技术（如眼动追踪技术、语音交互技术、体感技术等）的逐渐成熟，越来越多的数据采集技术将应用于教育领域，促进实时、持续、便捷的教育大数据。采集

。为保证高质量教育数据的可持续采集，在教育数据采集实践中需要注意以下事项： 1. 提前规划设计。教育大数据建设与应用是一项系统工程，需要进行顶层设计，才能有序采集

优质教育数据。规划设计内容包括：数据采集​​范围、所用数据采集技术、数据采集环境部署、数据采集质量保障措施、数据采集应用目的及场景、数据存储方案、数据更新机制、数据交换标准等。不同层次的教育数据采集应有不同的侧重点——全国教育大数据和区域教育大数据应侧重于管理数据采集，同时注重与社会大数据的关联交叉分析和挖掘。 、医疗、交通等领域，重点制定教育政策和区域教育均衡发展；学校、班级、课程的大数据，以教与学活动数据的采集为基础，重点应放在提高教学质量上；个体大数据应以个体学习者的行为数据、状态数据、情境数据等为基础，聚焦服务学习者的个性化学习诊断与发展。2、要有明确的界限。大数据虽然具有异构性和来源多样性的特点，而且数据的存储成本越来越低，但并不一定要收录

所有的数据。没有价值的数据不值得采集

和分析。必须有一个明确的界限。大数据虽然具有异构性和来源多样性的特点，而且数据的存储成本越来越低，但并不一定要收录

所有的数据。没有价值的数据不值得采集

和分析。必须有一个明确的界限。大数据虽然具有异构性和来源多样性的特点，而且数据的存储成本越来越低，但并不一定要收录

所有的数据。没有价值的数据不值得采集

和分析。

　　教育大数据也是如此。它的采集

应该有明确的界限，而不是盲目地采集

任何教育活动数据。采集

哪些数据取决于数据的应用目的。例如，为了检测和评估学生的学习进度，需要实时采集

和分析课程浏览、作业练习、交流互动、问答等数据，而不是采集

学生的学习进度等数据。饮食和运动。当然，我们不否认饮食、运动等数据对诊断学生身体状况的价值。这里所说的“数据边界”是相对于具体的应用目的而言的。任何数据分析模型的构建都需要依赖于特定的数据集。只有这样才能保证分析模型的有效性和分析结果的应用价值。3 保持连续性和标准化 在很多情况下，单凭一个学生的作业成绩并不能说明任何问题，但如果采集

一个班级每个学生以往的所有作业成绩甚至作业过程数据，就可以客观地评价整体了解学生的学习效果，发现学习盲点，诊断教学难点，开展针对性教学和个性化辅导。这时候，作业数据就有了“大”的价值。教育大数据采集应坚持“持续创造价值、规范价值、提升价值”的理念。一方面，教育数据的采集要保持连续性，即按照之前的规划设计，定期、连续、定期采集各种教育数据，通过小数据的长期积累产生大数据；另一方面，为保证后期数据的集成交换和处理的一致性，教育数据的采集应遵循特定的技术标准和规范。

　　目前，全国信息技术标准化技术委员会教育技术分委员会在教育信息化标准制定方面做了大量工作，部分技术标准已成为国家标准。标准等。此外，一些国际通用标准也值得参考，如IMS-QTI（Question and Test Interaction）标准、xAPI（Learning Experience Record）规范等。 4 采集粒度应尽可能小数据粒度是指数据的细化程度和全面性[15]。一般来说，细化程度越高，粒径越小；细化程度越低，粒径越大。陆海燕等。[16] 认为数据采集

应该处于适当的粒度级别，粒度级别既不能太高也不能太低。这是因为低粒度可以提供详细的数据，但会占用更多的存储空间，需要更长的查询时间；高粒度级别可以快速方便地查询，但不能提供详细数据。就教育大数据的采集而言，在保证数据有效性的基础上，数据的粒度要尽可能细，才能从中挖掘出更多的潜在价值。传统的教育数据以分数为中心，从作业或试卷中采集的只是一个代表成绩的数字符号，即采集数据的粒度比较大。如果基于在线学习平台或点阵数位笔技术，可以采集

每个学生的作答过程，如做题顺序、每道题停留时间、答题修改次数等更详细的过程记录数据，它会更准确。准确判断学生对哪些知识点有疑惑，答错的具体原因（草率或知识匮乏）。

　　因此，可以说“小颗粒汇聚大数据，大数据蕴含大价值”。5.征集过程必须符合道德规范。数据隐私和安全一直是大数据发展的障碍之一。教育数据采集

的来源来自学生、教师、家长和学校。数据复杂多样，成绩、排名、家庭背景等诸多信息涉及个人隐私。目前，国内有关教育数据隐私保护的法律法规还不完善，学校和教育机构的*敏*感*词*保护意识亟待加强。由于监管不力，教育行业有不少不法企业私自贩卖教师信息，学生和家长为了商业利益。无论是出于研究、管理还是商业目的，任何教育数据在采集前，都应遵循教育数据采集伦理规范（建议有关部门尽快制定），数据生成者也应遵守有一定的知情权和选择权。数据采集

的初衷和最终目的应本着“服务教育发展、服务师生成长”的理念，而不是盲目或利益驱使地采集

数据。参考 应遵循教育数据采集伦理规范（建议有关部门尽快制定），数据生成者也应有一定的知情权和选择权。数据采集

的初衷和最终目的应本着“服务教育发展、服务师生成长”的理念，而不是盲目或利益驱使地采集

数据。参考 应遵循教育数据采集伦理规范（建议有关部门尽快制定），数据生成者也应有一定的知情权和选择权。数据采集

的初衷和最终目的应本着“服务教育发展、服务师生成长”的理念，而不是盲目或利益驱使地采集

数据。参考 而不是盲目或受利益驱使采集

数据。参考 而不是盲目或受利益驱使采集

数据。参考

　　

" />

　　[1] 杨先民，唐思思，李继红．教育大数据技术体系框架与发展趋势——《教育大数据研究与实践专栏》总体框架[J]. 现代教育技术，2016，（1）：5-12。[2] 杨先民，王六辉，唐思思．教育大数据应用模式与政策建议[J]．电化教育研究，2015，（9）：54-61。[3]李路义,郑彦林.物联网在教育中的应用[J].现代教育技术,2010,(2):8-10.[4]湖北省科技厅.可穿戴技术[OL ].[5]张升平.数字校园校园*敏*感*词*建设[J]. 重庆工商大学学报(自然科学版), 2008, (1): 56-59. [6] 朱林．基于云计算的分布式校园视频监控系统设计[J]. 计算机测控, 2013, (10): 2676-2679. [7] 李生，胡家龙，刘宇．RFID智慧校园安防管理系统的研究与应用[J]．现代教育技术，2013，（3）：95-99。[8] 张飞壁．全自动智能录播系统架构分析[J]．中国电声技术教育，2008，（5）：104-108。[9] 赵力, 黄成伟．实用语音情感识别中的几个关键技术[J]．数据采集​​与处理, 2014, (2): 157-170. [10] 吴晓静，陈杏娥．遗传算法在图像识别技术中的应用[J]．宝山学院学报,2013,(5):67-69.[11]刘增辉.基于数字笔的答题纸系统设计与实现[J]. Computer Application and Software,2011,(8):240-243.[12]Macfadyen LP, Dawson S. Mining LMS data to develop an “early warning system” for educators: A proof of concept[J]. 计算机与教育，2010，（2）：588-599。[13] 轻松登录。Log Easy 产品概述[OL]。[14] 孙立伟，何国辉，吴立发．网络爬虫技术研究[J]．计算机知识与技术, 2010, (15): 4112-4115. [15] 李靖．数据仓库中数据粒度确定原理[J].计算机与现代化,2007,(2):57-58,61. [16]吕海燕,车小伟. 数据仓库中数据粒度的划分[J]．计算机工程与设计, 2009, (9): 2323-2325, 2328. 教育，2010，（2）：588-599。[13] 轻松登录。Log Easy 产品概述[OL]。[14] 孙立伟，何国辉，吴立发．网络爬虫技术研究[J]．计算机知识与技术, 2010, (15): 4112-4115. [15] 李靖．数据仓库中数据粒度确定原理[J].计算机与现代化,2007,(2):57-58,61. [16]吕海燕,车小伟. 数据仓库中数据粒度的划分[J]．计算机工程与设计, 2009, (9): 2323-2325, 2328. 教育，2010，（2）：588-599。[13] 轻松登录。Log Easy 产品概述[OL]。[14] 孙立伟，何国辉，吴立发．网络爬虫技术研究[J]．计算机知识与技术, 2010, (15): 4112-4115. [15] 李靖．数据仓库中数据粒度确定原理[J].计算机与现代化,2007,(2):57-58,61. [16]吕海燕,车小伟. 数据仓库中数据粒度的划分[J]．计算机工程与设计, 2009, (9): 2323-2325, 2328. 数据仓库中数据粒度的划分[J]．计算机工程与设计, 2009, (9): 2323-2325, 2328. 数据仓库中数据粒度的划分[J]．计算机工程与设计, 2009, (9): 2323-2325, 2328.

　　教育技术新闻 ETnewsletter

　　以前的问题关键词 | | | | | | |