优采云采集器——良心的爬虫软件

　　2020 年如果使我推荐一款大众向的数据采集软件，那一定是后裔采集器了。和我之前推荐的 web scraper 相比，如果说 web scraper 是小而精的瑞士*敏*感*词*，那后裔采集器就是大而全的重型装备，基本上可以解决所有的数据爬取问题。

　　下面我们就来谈谈，这款软件的优秀之处。

　　一、产品特性1.跨平台

　　优采云采集器是一款桌面应用硬件，支持三大操作系统：Linux、Windows 和 Mac，可以直接在官网上免费下载。

　　2.功能强大

　　优采云采集器把采集工作分为两种类别：智能机制跟流程图模式。

　　智能机制就是加载网页后，软件自动分析网页结构，智能识别网页内容，简化操作步骤。这种方式非常适合简单的网页，经过我的检测，识别准确率还是很高的。

　　流程图模式的本质就是图形化编程。我们可以运用后裔采集器提供的各类控件，模拟编程语言中的各类条件控制语句，从而模拟真人浏览网页的各类行为爬取数据。

　　3.导出无限制

　　这个可以说是优采云采集器更良心的功能了。

　　市面上有太多的数据采集软件，出于商业化的目的，多多少少会对数据导出进行限制。不清楚套路的人一直用相关软件辛辛苦苦采集了一堆数据，结果发现导出数据必须花钱。

　　优采云采集器就没有这个问题，它的付费点主要是表现在 IP 池和采集加速等高级功能上，不但导出数据不花钱，还支持 Excel、CSV、TXT、HTML 多种导出格式，并且支持直接导入到数据库，对于普通的用户来说完全够用了。

　　4.教程详细

　　我在本文动笔之前以前想过先写几篇优采云采集器的使用教程，但是看了它们的官网教程后就明白没这个必要了，因为写的实在是很具体了。

　　优采云采集器的官网提供了两种教程，一种是视频教程，每个视频五分钟左右；一种是图文教程，*敏*感*词*教学。看完这两类教程后还可以看看它们的文档中心，写的也十分具体，基本覆盖了该硬件的各个功能点。

　　二、基础功能1.数据抓取

　　基本的数据抓取非常简单：我们只要点击「添加字段」那个按键，就会出现一个选择魔棒，然后点选要抓取的数据，就能采集数据了：

　　2.翻页功能

　　我在介绍 web scraper 时曾把网页翻页分为 3 大类：滚动加载、分页器加载和点击下一页加载。

　　对于这三种基础翻页类型，优采云采集器只是完全支持的。

　　不像 web scraper 的拖放功能散落在各类选择器上，优采云采集器的分页配置集中在一个地方上，只要通过下拉选择，就可以轻松配置分页机制。相关的配置教程可见官网教程：如何设置分页。

　　3.复杂表单

　　对于一些多项联动筛选的网页，优采云采集器也能很好的处理。我们可以借助后裔采集器里的流程图模式，去自定义一些交互规则。

　　例如下图，我就借助了步骤图方式里的点击组件模拟点击筛选按钮，非常方便。

　　三、进阶使用1.数据清洗

　　我在介绍 web scraper 时，说 web scraper 只提供了基础的正则匹配功能，可以在数据抓取时对数据进行初步的清洗。

　　相比之下，优采云采集器提供了更多的功能：强大的过滤配置，完整的正则功能跟全面的文字处理配置。当然，功能强大的同时也带给了复杂度的提高，需要有更多的细心去学习使用。

　　下面是官网上跟数据清洗有关的教程，大家可以参考学习：

　　2.流程图模式

　　本文前面也介绍过了，流程图模式的本质就是图形化编程。我们可以运用后裔采集器提供的各类控件，模拟编程语言中的各类条件控制语句，从而模拟真人浏览网页的各类行为爬取数据。

　　比如说下图这个流程图，就是模拟真人浏览微博时的行为去抓取相关数据。

　　经过我个人的几次测试，我觉得流程图模式有一定的学习门槛，但是跟从头学习 python 爬虫比出来，学习曲线还是缓和了不少。如果对流程图模式更感兴趣，可以去官网上学习，写的十分具体。

　　3.XPath/CSS/Regex

　　无论是哪些爬虫软件，他们都是基于一定的规则去抓取数据的。XPath/CSS/Regex 就是几个常见的匹配规则。优采云采集器支持自定义这几种选择器，可以更灵活的选择要抓取的数据。

　　比如说某个网页里存在数据 A，但只有鼠标移至对应的文字上就会以弹窗的方式显示出来，这时候我们就可以自己写一个对应的选择器去筛选数据。

　　XPath

　　XPath 是一种在爬虫中利用比较广泛的数据查询语言。我们可以通过 XPath 教程去学习这个语言的利用。

　　CSS

　　这里的 CSS 特指的 CSS 选择器，我之前介绍 web scraper 的高级方法时，讲解过 CSS 选择器的使用场景和留意事项。感兴趣的人可以看我写的 CSS 选择器教程。

　　Regex

　　Regex 就是正则表达式。我们也可以通过正则表达式去选择数据。我也写过一些正则表达式的教程。但是个人觉得在字段选择器这个场景下，正则表达式没有 XPath 和 CSS 选择器好用。

　　4.定时抓取/IP 池/打码功能

　　这几个都是优采云采集器的付费功能，我没有开会员，所以也不知道使用感受怎么样。在此我做个小小的科普，给你们解释一下这几个名词是哪些意思。

　　定时抓取

　　定时抓取非常好理解，就是到了某个固定的时间爬虫软件都会自动抓取数据。市面上有一些比价软件，背后就是运行着十分多的定时爬虫，每隔几分钟爬一下价格信息，以达到价格监控的目的。

　　IP 池

　　互联网上 90% 的流量都是爬虫贡献的，为了减少服务器的压力，互联网公司会有一些风控策略，里面就有一种是限制 IP 流量。比如说互联网公司后台检测到某个 IP 有大量的数据请求，超过了正常范围，就会暂时的封锁这个 IP，不返回相关数据。这时候爬虫软件都会自己维护一个 IP 池，用不同的 IP 发送请求，降低 IP 封锁的概率。

　　打码功能

　　这个功能就是内置了验证码识别器，可以实现机器打码 or 手动打码，也是绕过网站风控的一种方法。

　　四、总结

　　个人觉得优采云采集器是一款相当优秀的数据采集软件。它提供的免费功能可以解决绝大部分编程小白的数据抓取需求。

　　如果有一些编程基础，可以显著的看出一些功能是对编程语言逻辑的封装，比如说流程图模式是对流程控制的封装，数据清洗功能是对字符串处理函数的封装。这些高阶功能扩展了优采云采集器的能力，也减小了学习难度。

　　我个人看来，如果是轻量的数据抓取需求，更倾向于使用 web scraper；需求比较复杂，优采云采集器是个不错的选择；如果涉及至定时抓取等高级需求，自己写爬虫代码反而非常可控。

　　总而言之，优采云采集器是一款优秀的数据采集软件，非常推荐你们学习跟使用。

　　联系我