云端采集器 这些不用编程的爬虫工具，你一定要知道

　　云端采集器 这些不用编程的爬虫工具，你一定要知道

　　随着Scrapy等框架的流行，利用编程语言写爬虫已然成为一种潮流，好像每位互联网人就会一点爬虫。

　　大神借助爬虫将中学所有重要的在线服务集合成了一套JSON API ，然后开发成了App；

　　爬了知乎12万用户的头像，把长得象的头像放到一起，方便浏览：然后采集了知友们的点击，预测下来这是大家（平均）最喜欢的人长的样子；

　　网友写了个爬虫按标签爬出来豆瓣所有的书，按现有标签来分类检索豆瓣图书，并按分数从高到低排序。

　　......

　　这些有趣的故事均来自知乎上的一个热门话题：利用爬虫技术能做到什么太酷太有趣很有用的事情？

　　人人就会爬虫

　　初期的互联网，写爬虫是门技术活，往大的方向说，爬虫技术是搜索引擎的组成部分。

　　随着互联网技术的发展，写爬虫的门槛一降再降，一些编程语言甚至直接提供爬虫框架，例如python的Scrapy框架，它们使写爬虫走进“寻常百姓家”。

　　我们早已发觉，写爬虫是一件炫目的事情，但即便是这样，学习爬虫依然有一定的技术门槛。

　　当前的主流爬虫手段是用Python编程，Python的强悍毋庸置疑，但初学者学习Python还是须要一两个月时间的。

　　有没有一些更简单的爬取数据方式呢？答案是有的。

　　一些可视化的爬虫工具通过策略来爬取特定的数据， 虽然没有自己写爬虫操作精准，但是学习成本低好多，下面就来介绍几款可视化的爬虫工具。

　　国内工具

　　01 Microsoft Excel

　　首先教你们一个用Excel爬取数据的方式，这里用的Microsoft Excel 2013版本，下面*敏*感*词*开始教学~

　　（1）新建Excel，打开它，如下图所示

　　

　　（2）点击“数据”——“自网站”

　　

　　（3）在弹出的对话框中输入目标网址，这里以全省实时空气质量网站为例，点击转入，再导出

　　

　　选择导出位置，确定

　　

　　（4）结果如下图所示，怎么样，是不是很赞？

　　

　　（5）如果要实时更新数据，可以在“数据”——“全部更新”——“连接属性”中进行设置，输入更新频度即可

　　

　　

　　02 优采云

　　一款可视化免编程的网页采集软件，可以从不同网站中快速提取规范化数据，帮助用户实现数据的自动化采集、编辑以及规范化，降低工作成本。

　　

　　简易模式采集步骤

　　是一款适宜小白用户尝试的采集软件，云功能强悍，当然爬虫老鸟也能开拓它的中级功能。

　　03 优采云

　　优采云是一款互联网数据抓取、处理、分析，挖掘软件，采集功能健全，不限网页与内容，任意文件格式都可下载，号称能采集99%的网页。

　　

　　软件定位比较专业并且精准化，使用者须要有基本的HTML基础,能看得懂网页源码,网页结构，但软件提供相应教程，新手也才能学习上手。

　　04 集搜客

　　一款简单易用的网页信息抓取软件,能够抓取网页文字、图表、超链接等多种网页元素。

　　

　　操作较简单，适用于中级用户，功能方面没有很大的特色，后续付费要求比较多。

　　05 优采云云爬虫

　　一款新颖的云端在线智能爬虫/采集器，基于优采云分布式云爬虫框架，帮助用户快速获取大量规范化的网页数据。

　　

　　类似一个爬虫系统框架，具体采集还需用户自写爬虫，需要代码基础。

　　06 优采云采集器

　　一套专业的网站内容采集软件，支持各种峰会的贴子和回复采集，网站和博客文章内容抓取，分峰会采集器、CMS采集器和博客采集器三类。

　　

　　专注峰会、博客文本内容的抓取，对于全网数据的采集通用性不高。

　　国外工具

　　01 Google Sheet

　　使用Google Sheet爬取数据前，要保证三点：使用Chrome浏览器、拥有Google帐号、电脑已翻墙。如果这三个条件具备了的话，下面我们就开始吧~

　　（1）打开Google Sheet网站：/sheets/about/

　　

　　（2）在首页上点击“转到Google表格”，然后登陆自己的帐号，可以看见如下界面，再点击“+”创建新的表格

　　

　　新建的表格如下：

　　

　　（3）打开要爬取的目标网站，一个全省实时空气质量网站pm25.in/rank，目标网站上的表格结构如下图所示

　　

　　（4）回到Google sheet页面，使用函数=IMPORTHTML(网址, 查询, 索引)，“网址”就是要爬取数据的目标网站，“查询”中输入“list”或“table”，这个取决于数据的具体结构类型，“索引”填阿拉伯数字，从1开始，对应着网站中定义的哪一份表格或列表

　　对于我们要爬取的网站，我们在Google sheet的A1单元格中输入函数=IMPORTHTML("pm25.in/rank","table",1)，回车后就爬得数据啦

　　

　　

　　（5）将爬取好的表格存到本地

　　

　　是不是觉得超级简单？

　　02 you-get

　　这是一个程序员基于python 3开发的项目，已经在github里面开源，支持64个网站，包括优酷、土豆、爱奇艺、b站、酷狗音乐、虾米……总之你能想到的网站都有!

　　还有一个黑科技的地方，即使是名单上没有的网站，当你输入链接，程序也会猜想你想要下载哪些，然后帮你下载。

　　当然you-get要在python3环境下进行安装，用pip安装好后，在终端输入“you get＋你想下载资源的链接”就可以等着采集资源了。

　　这里给一个you-get的英文使用说明，按照说明上写的按步骤操作就可以啦。

　　03 import.io

　　Import.io是一个基于Web的网页数据采集平台，用户无需编撰代码点选即可生成一个提取器。相比国外大多采集软件，Import.io较为智能，能够匹配并生成同类元素列表，用户输入网址也可一键采集数据。

　　

　　Import.io智能发展，采集简便，但对于一些复杂的网页结构处理能力较为薄弱。

　　04 Octoparse

　　Octoparse是优采云的海外版，采集页面设计简单友好，完全可视化操作，适用于菜鸟用户。

　　

　　运行并获取数据

　　Octoparse功能健全，价格合理，能够应用于复杂网页结构，如果你想无需翻墙直采亚马逊、Facebook、Twitter等平台，Octoparse是一种选择。

　　05 visual web ripper

　　VisualWebRipper是一个自动化的Web抓取工具，支持各类功能。

　　

　　它适用于个别中级且采集难度较大的网页结构，用户需具备较强的编程技能。

　　06 content Grabber

　　ContentGrabber是功能最强悍的Web抓取工具之一。它更适宜具有中级编程技能的人群，提供了许多强大的脚本编辑，调试界面。允许用户编撰正则表达式，而不是使用外置的工具。

　　ContentGrabber网页适用性强，功能强悍，不完全为用户提供基础功能，适合具有中级编程技能的人群。

　　07 Mozenda

　　Mozenda是一个基于云服务的数据采集软件，为用户提供许多实用性功能包括数据云端储备功能。

　　

　　适合拥有基础爬虫经验的人群。