作者 | prowebscraper's blog
译者 | 高级农民工
互联网有数不清的网页，且不断在以指数级速度产生新内容。到 2022 年，整个互联网创建和复制的数据将达到 44 ZB，也就是 44 万亿 GB。这么大体量内容的背后也带来了丰富信息源，唯一的问题是怎么在这浩如烟海的信息中检索到你想要的信息并带来价值。
直接解决方案就是使用 Web 挖掘工具 。Web 挖掘是应用数据挖掘技术，从 Web 数据中提取知识。这个 web 数据可以是 Web 文档，文档之间的超链接和/或网站的使用日志等。根据要挖掘的数据大致可以分为三类
- Web 内容挖掘
- Web 结构挖掘
- Web 使用挖掘
1. Web 内容挖掘
Web 内容挖掘的快速发展主要是因为 Web 内容的快速增长。考虑到数十亿的网页上有很多很多这样的数据，网页也在不断增加。除此之外，普通用户不再仅仅是信息的消费者，而是传播者和内容的创造者。
一个网页有很多数据，它可以是文本，图像，音频，视频或结构化记录，如列表或表格。Web 内容挖掘就是从构成网页的数据中提取有用信息。
2.Web 结构挖掘
Web 结构挖掘专注于创建一种关于网页和网站的结构摘要。基于超链接和文档结构，生成这样的结构概要。
主要使用 Pagerank 和超链接诱导搜索算法等算法来实现 Web 结构挖掘。通过发现网页之间的关系和链接层次结构，Web 结构挖掘在改进营销策略方面特别有用。
3. Web 使用挖掘
Web 使用挖掘将其注意力集中在用户身上。它用于根据网站日志计算网站用户的分析。Web 服务器日志，客户日志，程序日志，应用程序服务器日志等不同的日志开始发挥作用。Web 使用挖掘尝试基于用户的交互来找出有用的信息。
Web 使用挖掘很重要，因为它可以帮助组织找出客户的终身价值，设计跨产品和服务的跨营销策略，评估促销活动的功效，优化基于 Web 的应用程序的功能并提供更加个性化的内容访问他们的网络空间。
下面就来介绍 10 种最流行的 Web 挖掘工具和软件。
- Data Miner
- Google Analytics
- SimilarWeb
- Majestic
- Scrapy
- Bixo
- Oracle Data Mining
- Tableau
- WebScraper.io
- Weka
1.Data Miner（Web 内容挖掘工具）
Data Miner
Data Miner是一种有名的数据挖掘工具，在从网页中提取数据方面非常有效。它将提取的数据提供到 CSV 文件或 Excel 电子表格中。
Data Miner 为许多知名网站提供了超过 40,000 个公共解决方案。
借助这些方案，你可以轻松获得所需的结构化数据。
特征
- 提取表格和列表
- 一键抓取
- 抓取分页结果
- 在登录/防火墙后面抓取页面
- 刮动态 ajax 内容
- 自动填写表单
2. Google Analytics（Web 使用挖掘工具）
Google Analytics被认为是最佳的商业分析工具之一，它可以跟踪和报告网站流量。
世界上超过 50％的人都使用它做网站分析，它可以帮助你执行有效的数据分析，以便为业务收集洞察力。
特征
- 广告和广告系列效果分析
- 网站分析和测试
- 受众特征和行为分析
- 轻松集成 Google 的产品，如 Adsense，Adwords，Google 展示广告网络，Google 跟踪代码管理器等
- 销售和转换工具
- 网站和应用程序性能的数据分析
3. SimilarWeb（Web 使用挖掘工具）
SimilarWeb
SimilarWeb是一款功能强大的商业智能工具。借助此工具，用户可以快速了解网站的研究，排名和用户参与度。就 Web 测量和在线竞争情报而言，SimilarWeb Pro 是全球市场领导者。
它能比较网站流量，发现有关竞争对手网站的特点并找出增长机会。它还可以帮助你同时跟踪各个站点的网站流量和流量增强策略。总之，SimilarWeb 是一个很好的工具，因为它可以帮助你跟踪你的整体业务健康状况，跟踪机会并做出有效的业务决策。
特征
- 流量和互动指标
- 搜索引擎优化和 PPC 关键字
- 观众兴趣
- 流量来源
- 行业领袖
- Google Play 关键字分析
4. Majestic（Web 结构挖掘工具）
Majestic
Majestic是一个非常有效的业务分析工具，为搜索引擎优化策略，营销公司，网站开发人员和媒体分析师提供服务。Majestic 可以帮助你访问世界上最大的链接索引数据库。你可以获得可靠的最新数据，以便分析网站和竞争对手的表现。它还可以帮助你通过链接分析或链接挖掘对每个页面和域进行分类。
特征
- 广告活动
- 网站资源管理器
- 批量反向链接
- 搜索资源管理器
- 网址提交
- 关键字检查器
- 邻里检查
- 比较工具
- 反向链接历史记录
- 丰富的插件
5. Scrapy（Web 内容挖掘工具）
Scrapy
Scrapy是一个很棒的开源 Web 挖掘工具。它可以帮助你从网站中提取数据，可以管理请求，保留用户会话，遵循重定向和处理输出管道。
特征
- 从 HTML / XML 中选择和提取数据
- 交互式 Shell 控制台
- Cookie 和会话处理
- HTTP 功能，如压缩，身份验证，缓存
- 请求以异步方式进行调度和处理
6. Bixo（Web 结构挖掘工具）
Bixo
Bixo是一个优秀的 Web 挖掘开源工具，在 Hadoop 之上运行一系列级联管道。通过构建定制的级联管道组件，你可以快速制定针对特定用例优化的专用 Web 挖掘应用程序。
特征
- 获取子装配
- 解析子组件
- 缺少数据可视化功能
7. Oracle 数据挖掘（Web Usage Mining Tool）
Oracle Data Mining（ODM）由 Oracle 设计。作为数据挖掘软件，它提供了出色的数据挖掘算法，可以帮助你收集洞察力，制定预测并有效利用 Oracle 数据和投资。
借助 ODM，可以在 Oracle 数据库中找出预测模型，以便你可以轻松预测客户行为，专注于你的特定客户群并发展客户档案。你还可以发现交叉销售方面的机会，并找出欺诈的差异和前景。
使用 SQL 数据挖掘功能，可以挖掘数据表和视图，星型模式数据，包括事务数据，聚合，非结构化数据，即 CLOB 数据类型（使用 Oracle Text 提取令牌）和空间数据。
特征
- 分类
- 回归
- 属性重要性
- 异常检测
- 聚类
- 协会
- 特征选择和提取
- 文本挖掘
- 空间挖掘
- Active Data Guard
- 数据库库
- 在线分析处理
8. Tableau（Web 使用挖掘工具）
Tableau是商业智能行业中使用最快，最快速增长的数据可视化工具之一。它可以使你将原始数据简化为可访问的格式。通过仪表板和工作表可以很方便地进行数据可视化。
Tableau 产品套件包括
- Tableau 桌面
- Tableau Public
- Tableau Online
- Tableau Server
- Tableau Reader
特征
Tableau 具有许多使其受欢迎的功能。Tableau 的一些主要功能包括：
- 数据驱动警报
- 附加连接器
- Tableau Bridge
- 智能联接
- PDF 连接器
- 自动查询缓存
- Android 改进
- 切换视图并拖放
- 突出显示并过滤数据
- 共享仪表板
- 用于数据查看的 Tableau Reader
- 仪表板评论
- 创建“无代码”数据查询
- 将查询转换为可视化
- 导入所有范围和大小的数据
- 创建交互式仪表板
- 字符串深入了解指导
- 元数据管理
- 自动更新
9. WebScraper.io（Web 内容挖掘工具）
Web Scraper Chrome Extension 是用于抓取 Web 数据的最有用的工具之一。借助此工具，你可以制定有关网站导航的站点地图或计划。完成后，web scrape chrome 扩展将遵循给定的导航并提取数据。在网络抓取扩展方面，你可以在 Chrome 中找到许多内容。
特征
- 树/导航
- 分页
- 加载更多按钮
- 云刮板
- 一次运行多个刮刀
- 安排刮刀
- 下载 CSV 和 CouchDB 中的数据
- 数据导出到 DropBox
10. Weka（Web 使用挖掘工具）：
Weka是用于数据挖掘任务的机器学习算法的集合。它包含用于数据准备，分类，回归，聚类，关联规则挖掘和可视化的工具。
Weka 是根据 GNU 通用公共许可证发布的开源软件。
Weka 主要被设计为分析来自农业领域的数据的工具，但最近完全基于 Java 的版本（Weka 3），其开发于 1997 年，现在用于许多不同的应用领域，特别是用于教育目的和研究。
特征
- 数据预处理
- 集群
- 分类
- 回归
- 可视化
- 功能选择
以上是 10 种 Web 挖掘工具和软件的简单介绍，详细内容可以参考下方原文链接：
http://www.prowebscraper.com/blog/web-mining-tools/
