公开数据源怎么收集

① 请分别列举出网络信息收集的主要工具和网络信息收集的途径主要有哪些

扫描仪：（纸制材料扫描成图片，利用ocr识别为文字）。

照相机：主要用于采集图像信息。

摄像机：主要用于采集信息。

要理解网络信息采集系统要求从互联网上对特定目标数据源或不特定目标数据源进行采集与监控，并对信息进行结构化抽取保存为本地结构化数据库，然后按业务流程需求与其它模块结合，导入与应用并服务于到电子行业平台。

互联网数据采集与挖掘技术是指利用计算机软件技术，针对定制的目标数据源，实时进行信息采集、抽取、挖掘、处理，从而为各种信息服务系统提供数据输入，并按业务所需来进行数据发布、分析的整个过程。

(1)公开数据源怎么收集扩展阅读：

可以做到：

实时而准确地采集国内外新闻，行业新闻，技术文章。

实时而准确地采集竞争对手以及供应商的新闻，人事，产品，价格等信息。

实时而准确地采集公共信源的商业情报（同行产品价格，竞争对手的用户反馈，行业新闻）。

实时而准确地采集本企业的品牌以及竞争对手的品牌在各大搜索引擎中的结果。

实时而准确地采集各大行业论坛中的信息，从中了解消费者的需求与反馈，从而发现市场趋势与商业机会。

准确地从网络公共信息中采集销售线索，潜在客户的资料。

② 大数据采集方法有哪些 流程是怎样的

数据采集是所有数据系统必不可少的，大数据的采集方法有离线采集、实时采集、互联网采集和其他数据采集方法。

大数据的采集方法是什么

1、离线采集：

工具：ETL。在数据仓库的语境下，ETL基本上就是数据采集的代表，包括数据的提取唤蔽、转换(Transform)和加载。在转换的过程中，需要针对具体的业务场景对数据进行治理，例如进行非法数据监测与过滤、格式转换与数据规范化、数据替换、保证数据完整性等。

2、实时采集：

工具：Flume/Kafka。实时采集主要用在考虑流处理的业务场景，比如，用于记录数据源的执行的各种操作正链漏活动，比如网络监控的流量管理、金融应用的股票记账和 web 服务器记录的用户访问行为。在流处理场景，数据采集会成为Kafka的消费者，就像一个水坝一般将上游源源不断的数据拦截住，然后根据业务场景做对应的处理（例如去重、去噪、中间计算等），之后再写入到对应的数据存储中。

这个过程类似传统的ETL，但它是流式的处理方式，而非定时的批处理Job，些工具均采用分布式架构，能满足每秒数百MB的日志数据采集和传输需求

3、互联网采集：

工具：Crawler，DPI等。Scribe是Facebook开发的数据（日志）收集系统。又被称为网页蜘蛛，网络机器人，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本，它支持图片、音频、视频等文件或附件的采集。

大数据采集的流程是什么

大数据数据采集处理流程主要包括数据收集、数据预处理、数据存储、数据处理与分析等环节，数据质量贯穿于整个大数据流程，非常的关键。每一个数据处理环节都会对大数据质量产生影响作用。下面就来说一下大数据数据采集的流程及处理方法。

大数据数据采集在数据收集过程中，数据源会影响大数据质量的真实性、完整性数据收集、一致性、准确性和安全性。

数据预处理大数据采集过程中通常有一个或多个数据源，这些数举烂据源包括同构或异构的数据库、文件系统、服务接口等，易受到噪声数据、数据值缺失、数据冲突等影响，因此需首先对收集到的大数据集合进行预处理，以保证大数据分析与预测结果的准确性与价值性。

③ 数据采集的数据源有哪些

从数据采集角度来说，都有哪些数据源呢？
这四类数据源包括了：开放数据源、爬虫抓取、传感器和日志采集
开放数据源一般是针对行业的数据库。国内，贵州做了不少大胆尝试，搭建了云平台，逐年开放了旅游、交通、商务等领域的数据量
爬虫抓取，一般是针对特定的网站或 App。如果我们想要抓取指定的网站数据，比如购物网站上的购物评价等，就需要我们做特定的爬虫抓取。
第三类数据源是传感器，它基本上采集的是物理信息。比如图像、视频、或者某个物体的速度、热度、压强等。
最后是日志采集，这个是统计用户的操作。我们可以在前端进行埋点，在后端进行脚本收集、统计，来分析网站的访问情况，以及使用瓶颈等

如何使用开放数据源
一个是单位的维度，比如政府、企业、高校；一个就是行业维度，比如交通、金融、能源等领域
如何使用爬虫做抓取
在 Python 爬虫中，基本上会经历三个过程。
1、使用 Requests 爬取内容。我们可以使用 Requests 库来抓取网页信息。Requests 库可以说是 Python 爬虫的利器，也就是 Python 的 HTTP 库，通过这个库爬取网页中的数据，非常方便，可以帮我们节约大量的时间。
2、使用 XPath 解析内容。XPath 是 XML Path 的缩写，也就是 XML 路径语言。它是一种用来确定 XML 文档中某部分位置的语言，在开发中经常用来当作小型查询语言。XPath 可以通过元素和属性进行位置索引。
3、使用 Pandas 保存数据。Pandas 是让数据分析工作变得更加简单的高级数据结构，我们可以用 Pandas 保存爬取的数据。最后通过 Pandas 再写入到 XLS 或者 MySQL 等数据库中。
Requests、XPath、Pandas 是 Python 的三个利器。当然做 Python 爬虫还有很多利器，比如 Selenium，PhantomJS，或者用 Puppteteer 这种无头模式。