干货 | 数据收集和处理工具一览

Print More

进入大数据时代,调查报道愈加成为信息战。从哪里收集有效数据?如何抽取、筛选、整合、分类大量琐碎的信息?如何分享、存储数据,并实现随取随用?深度君整理了一张数据收集和处理工具清单,分为八大类,方便实用,各有所长,供大家选择。


1.全文本搜索和挖掘的搜索引擎:

包括:搜索方法、技术:全文本搜索,信息检索桌面搜索企业搜索分面搜索

开源搜索工具:

1 Open Semantic Search

搜素数据库和API

  • 如果你想编程,你可以试用以下强大的搜索引擎:SolrElastic Search,支持索引和API搜索,更多全文搜索、实时检索、数据分析、多格式数据读取(JSON, SML, CSV或HTTP)等强大功能等你开发。

2 Elastic

2.数据库、数字文档、数据管理系统、文件管理系统和内容管理系统:

  • 还在为不同格式的脚注、尾注、文中引用和文献参考大费脑筋吗?资源整理神器Zotero的标注和引用功能帮你解决难题。它可以在Word,Open Office添加引用,在Google doc和电子邮件中插入文献参考,或者为数据库添加标记。

3 Zoerto

  • LibreOffice Calc:开源表格程序
  • Document cloud:文档管理系统,管理纸质文件扫描版本或者PDF 格式文件
  • Semantic MediaWiki: MediaWiki(著名开源引擎,可用于构建企业/个人知识库,维基百科就是使用MediaWiki的成功范例)的免费开源扩展,可供用户存储、调用数据
  • Drupal CMS:内容管理模块,可以让你快速便捷地以用户界面创制自己的内容格式、数据字段和表格

4 Drupal

  • 想从大量文件中单独抽取金额来分析?专业的文件管理系统Agorum可以自动从账单抽取金钱数额,帮你轻松解决。
  • 想标记图片中的文字?Pundit帮你办到,它同时支持文本和图片标记。
  • 想在网站加注释?Annotator.js帮你在任何网页加注释,而且可以添加评论、标签、链接、用户或者更多不同种类的信息,第三方插件还能帮你在难以搞定的PDF、EPUB、视频、图片、声音甚至更多格式的文件上添加标注。

5 Annotator

  • 标注了信息,想收到更新提醒?Hypothesis可供用户订阅一系列已标注的活动信息,而且能按照自己的兴趣获取通知,而且还能分享评注、链接词典。程序员还可以获取有限的网站许可,通过第三方应用创建、更新、删除、搜索注释。

3. 文本文件挖掘、分析

6 NLP

  • 统计词频有困难?Overview project可以显示文本最常用的词和它们的词群分布
  • 7 Jigsaw想以图解的方式查看文本检索结果?文本搜索工具Jigsaw:(非开源软件,但可免费下载)可统计文本中最重要的人物、地点、组织等实体的出现频率,并将他们之间的关系以列表、图表、时间表和关系图的形式呈现出来,提高文本分析效率。

如果你觉得不够,我们还推荐:

  • Wikipedia list of open source text mining software:维基百科上整合的开源文本挖掘软件列表
  • 7 TAPOR-logoTapor: 研究专用的文本分析门户,提供大量文本分析工具,你可以按照类型或标记找到最适合的一款。

4. 图表和关系网络分析(SNA)

帮助分析关联并将其可视化的工具:

  • 关系网分析教程:教你如何用Open Semantic Search可视化关联
  • 8 Gephi
  • Cytoscape.js: Javascript数据库,能将关系网、事物分属和图表可视化
  • Semantic Mediawiki:上面介绍过,不仅是数据库,也是适用于关联数据、非常灵活的内容管理系统
  • Detective: 以Python/Django和neo4j图像数据库为基础的内容管理系统,适用于分析关系。

5. 抽取、转换数据

包括数据整合、抽取、转换、转移、ETL(数据提取、转换和加载)网络爬虫采集等等

从文件抽取结构化数据:

从图片识别文本(OCR

  • Tesseract: 光学识别软件,从图片识别文本

FireShot Capture 411 -11 tesseract-ocr

  • 低质量扫描没法看?Scantailor帮你分页、矫正文本、添加/删除页边,可以将原始文本传换成PDF或者DJVU格式的文件,便于打印。

从声音识别、抽取文本:

  • CMU Sphinx: 开源声音识别工具,支持英语、法语、中文、德语、荷兰语、俄语。该开发商还提供关键词识别和读音识别等实用工具,可以多多关注。

12 CMU Sphinx

从网站抽取数据(网络信息采集/网络爬虫)

  • 网络采集哪家强?简易 Scrapy帮你忙:你可以依托Scrapy建立自己的网络爬虫工具,编写Python代码,在Windows,Mac,Linux和BSD系统上都可运行。

FireShot Capture 404 - Scrapy I A Fast and Powerful Scraping and Web Crawling _ - http___scrapy.org_

6. 输入、修改、转换数据

编写文件和删除元数据

14 PDF Redact Tools记者为了保护信息,往往需要编写文件、清除敏感文件、删除隐藏在文件或图片里的元数据,例如软件的序列号或软件、用户名,以下工具可供参考:

7. 统计与分析

包括数据分析统计、图表、数据可视化

18 Python

  • 以上数据分析太复杂?刚入门,想理解数据分析原理?推荐阅读解释数据挖掘方法的书Mining of massive datasets(请点击链接,下载免费PDF格式)

8. 通用开源软件工具包

19 Debian最强大的通用开源工具包,例如 Debian GNU/Linux或Ubuntu Linux,涵盖了成千上万个免费软件和开源工具、软件数据库和编程语言。

运行时,用户无需移除现有的操作系统:安装适用于Windows和Mac的Virtual Box,你就可以在现有操作环境下的单独的窗口运行上述Linux软件。

Leave a Reply

Your email address will not be published. Required fields are marked *