八爪鱼采集原理

八爪鱼采集原理

八爪鱼网页数据采集客户端使用的开发语言是C#，运行在Windows系统。客户端主程序负责任务配置及管理，任务的云采集控制，云集成数据的管理（导出，清理，发布）。数据导出程序负责数据的导出Excel，SQL，TXT，MYSQL等，支持一次导出百万级别数据。本地采集程序负责根据工作流对网页进行打开，抓取，采集数据，通过正则表达式与Xpath原理，快速获取网页数据。

整个采集流程基于Firefox内核浏览器，通过模拟人的思维操作方式（如打开网页，点击网页中的某个按钮），对网页内容进行全自动提取。系统完全可视化流程操作，无需专业知识，轻松实现数据采集。通过对网页源码中各个数据XPath路径的准确定位，八爪鱼可以批量化准确采集出用户所需数据。

八爪鱼实现的功能

八爪鱼网页数据采集系统以完全自主研发的分布式云计算平台为核心，可以在很短的时间内，轻松从各种不同的网站或者网页获取大量的规范化数据，帮助任何需要从网页获取信息的客户实现数据自动化采集、编辑、规范化，摆脱对人工搜索及收集数据的依赖，从而降低获取信息的成本、提高效率。涉及到政府、高校、企业、银行、电商、科研、汽车、房产、媒体等众多行业及领域。

图1：采集示意图 

八爪鱼作为一款通用的网页数据采集器，其并不针对于某一网站某一行业的数据进行采集，而是网页上所能看到或网页源码中有的文本信息几乎都能采集，市面上98%的网页都可以用八爪鱼进行采集。

使用本地采集（单机采集），除了可以实现绝大多数网页数据的爬取，还可以采集过程中对数据进行初步的清洗。如使用程序自带的正则工具，利用正则表达式将数据格式化。在数据源头即可实现去除空格、筛选日期等多种操作。其次八爪鱼还有提供分支判断功能，可对网页中信息进行是与否的逻辑判断，实现用户筛选需求。

云采集除具有本地采集（单机采集）的全部功能之外，还可以实现定时采集，实时监控，数据自动去重并入库，增量采集，自动识别验证码，API接口多元化导出数据以及修改参数。同时利用云端多节点并发运行，采集速度将远超于本地采集（单机采集），多IP在任务启动时自动切换还可避免网站的IP封锁，实现采集数据的最大化。

图 2：定时云采集