互联网数据聚合

我们经常需要从互联网上获取数据,在很多情况下,你需要的是特定信息,或者说是符合某些条件的信息,比如:

image

这条需求隐含着两个有普遍意义的步骤:

  1. 从互联网上聚合符合特定条件的信息;
  2. 当满足阈值条件时,以某种方式通知用户。

事实上有太多做互联网数据聚合的网站了,比如 酷讯机票 ,聚合了各大航空公司的机票信息:

image

再比如一些博客聚合网站等等。现在想想这样的场景:

  • 每到一个新地方,自动给我的各个微博账号发一条地点签到微博;
  • 我关注的明星有最新的动态,邮件通知我,第一时间获得消息;
  • 我的股票一旦涨到某个值,短信提醒我该抛售了;
  • ……

其实这些事情不难实现。

IFTTT

不知道你是不是和我一样,当看到上面那两条步骤时,想到的第一个词就是 IFTTT。IFTTT 是一个 IF This Then That 的网站,如果某件事发生,就做另一件事,不需要任何编程经验:

image

当某 rss feed 有更新的时候,就给我的邮箱发送一个邮件。

可以发邮件通知,可以发短信通知(对我的联通手机号支持好像不行),很方便也很强大。从交互性来说,是类似网站中做得最好的。如果你没有尝试过,你一定要去试一试。但是 IFTTT 貌似不支持自定义网页 XPath 的条件。

这样的东西怎么能没有 Copy-to-China 的版本?中文抄袭版本叫做“ 如果云 ”,连界面都很像,现在处于邀请码发放阶段。

YQL

我在 上一篇博客 里面已经讲到了 YQL 怎么使用,在 console 上测试自己写的查询语句,并将其暴露成一个简单的链接,任何时候需要查询结果的时候只要访问这个这个链接就可以了。你可以把它看做一个特定用途的非常简单的爬虫。YQL 的语法和 SQL 很接近,再需要一点 XPath 的知识,很容易掌握。

Yahoo 是很想做一些大事情的。对于互联网上千奇百怪的 API,它想把他们都统一起来,可以用 YQL 类似于 RDB 执行 SQL 语句的方式来调用。也就是说,不仅仅让整个互联网更像一个数据库,还让访问统一化,更容易读写。

YQL 有一些内置表,以便你可以轻松获取到 Yahoo 的 web 服务数据,以及一些离线数据。而开放数据表(Open Data Tables)则允许你创建和使用自定义的数据表,屏蔽那些复杂的 web 接口访问,让查询数据的人对于复杂接口的访问变得容易。如果你对它感兴趣,请访问它的 guide 文档 。比如,这个语句是从 apple.itunes 表中查找记录:

select * from apple.itunes where term='x' and media='all' and entity='allTrack' and attribute='allArtistTerm' and limit='100' and sort='recent';

执行这个语句就可以看到所有的表了:

show tables

和 SQL 语句看起来似乎没有什么区别。

JSinterpreter.xml 为例,通过这样的定义,可以让 YQL 中执行 js 成为可能:

            <inputs>
              <key id="NEW" type="xs:string" paramType="variable" required="true"/>
              <key id="execute" type="xs:string" paramType="variable" required="true"/>
            </inputs>
            <execute><![CDATA[    
            var NEW= new XML(unescape(NEW));          
            eval(unescape(execute));
            ]]></execute>

使用:

USE "http://www.datatables.org/trygger/JSinterpreter.xml" as t1;
select * from t1 where NEW="%3Ctest%3E%3Cvalue%3EHello!%3C%2Fvalue%3E%3C%2Ftest%3E" and execute= "var%20res%20%3D%20NEW.value.*%3B%0Aresponse.object%3D%3Cresult%20status%3D'ok'%3E%7Bres%7D%3C%2Fresult%3E%3B"

现在如果你使用 YUI,引入 YQL 查询组件就可以在页面代码里直接调用了:

YUI().use('yql', function(Y) {
    Y.YQL('select * from ...', function(r) {
          var results = r.query.results
          ...
    });
});

还可以找得到 AWS 服务的,OAuth 的,GitHub 数据访问等等的表定义文件。

Yahoo Pipes

Pipes 是一个聚合、操作和混搭互联网内容的拼装工具。就像 Linux 的管道一样,几个简单的命令,就可以:

  • 合并许多 RSS feed,然后排序、过滤和翻译;
  • 给你喜欢的 feed 按地理编码,然后再一个交互性的地图中浏览;
  • 输出成为网站上强大的 widget/badge;
  • 以 RSS、JSON、KML 等等格式输出;
  • ……

image

Pipes 的还有一个特点是拖拖拽拽就可以把整个处理流程搞定,不需要很多编程技巧,另外,对 YQL 和 XPath 也提供原生支持,这就意味着它的功能非常强大,可定制性强。虽说最初的目的就是 RSS 聚合而已,但是它可以做的事情比这多得多。

ChangeDetection

现在从抓取网页信息的迷局中走出来,下面介绍一些监控网页的工具,这些工具并没有提供让你从网页中抓取特定信息的功能,但是你可以很容易地获知网页变化的信息。ChangeDetection 就是这样一个监控网页是否发生变化的网站,如果你是某个人的粉丝,想要监控他偶尔更新的网页动向;或者说是要监控 Amazon 上某个产品的价格变化,使用这个工具是最好的了。这个应用做得比较简单,只支持 email 通知而已。

image

不过它的比较功能显得很直观,网页中增删改查的部分全部都可以看出来。

其它类似的工具还有:

把网页转换成 RSS 数据源

这算走了个歪路。监控网页变化的工具介绍过了,如果现在把网页转换成 RSS 数据源以后,就有许许多多新的工具来监控网页的变化了。转换网页成为 RSS 数据源的工具有:

对于 RSS 源监控的工具:

如果你不需要 Email 之类的特殊提醒工具,使用一般的 RSS 阅读器就可以搞定。

正如我之前提到过的,互联网就是一个数据非常充盈的数据库,也许数据统一性做得不够好,但是谁赢得了数据,谁就赢得了互联网。这里有太多机会让我们思考、寻找或者制作适当的工具去解决数据聚合的难题。

文章未经特殊标明皆为本人原创,未经许可不得用于任何商业用途,转载请保持完整性并注明来源链接 《四火的唠叨》

26,772 次阅读

1 thought on “互联网数据聚合

发表评论

电子邮件地址不会被公开。

back to top