查看原文
其他

钱塘干货 | 数据收集和处理工具一览

2016-07-14 钱塘大数据


点击音乐 舒心阅读  

2016年7月14日

星期四

钱塘大数据


激活工业数据资产  

完善工业发展生态


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?钱塘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,企业搜索和分面搜索

开源搜索工具:

  • Open Semantic Search:专门用于搜索自己文件的搜索引擎,同样的还有Open Semantic Desktop Search:可用于搜索单一一台笔记本电脑或单一用户的文件资源。

  • InvestigateIX: 用于搜索加密外部设备

  • Recoll: 适用于Linux系统的桌面搜索引擎

  • Fuzzy search with lists:清单搜索、模糊搜索

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:Solr和Elastic 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.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。

  • 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

  • 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。

  • 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

  • Text mining tutorial: How to analyze large document collections:文本挖掘教程:如何分析大容量文件集(使用Open Semantic Search来挖掘文本)

  • Understanding language data: 理解语言数据:可以使用开源NLP(自然语言处理)软件

  • 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

  • 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

  • Tapor: 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

  • Gephi:桌面工具,协助数据分析,可将图表和关系网可视化,可最多包含5万个关系点,用户可自主筛选呈现的点。

  • 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:

  •  

  • Tika content analysis toolkit: 从文档和文件抽取文本和元数据

  •  CSV Manager:将csv表格输入Solr为基础的搜索引擎

  • 想从PDF文件抽取数据、转化为可编辑的文本?免费软件Tabula可以直接从PDF文件抽取数据表格,神奇吧?

  • 图片识别和文本扫描:光学字符识别(OCR)

从图片识别文本(OCR

  • Tesseract: 光学识别软件,从图片识别文本

  • 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。

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。

6. 输入、修改、转换数据

  • 将数据转换成纯文本的超强工具: Tika content analysis toolkit

  • 将数据转换成其他格式的工具:Talend Open Studio和Kettle

编写文件和删除元数据


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:

  • PDF Redact Tools: 以最安全的方式删除PDF中的元数据

  • MAT: Metadata Anonymisation Toolkit:从不同的文件格式和图片格式中删除元数据

7. 统计与分析

包括数据分析、统计、图表、数据可视化

  • 开源表格程序LibreOffice Calc

  • 上面介绍过的HUE Solr search和Kibana for Elastic Search,除了能检索数据库和API,也能完成数据分析


  • 适用于数据分析和计量经济分析的专业电脑程序:Statistical software

  • 统计和分析的工具大全:Business Intelligence

  •  用R 、 Python或其他编程语言编程分析数据

  • 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

8. 通用开源软件工具包


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。

 

欢迎大家点击左下角“阅读原文”进入钱塘社区

进行互动讨论


官网:www.qtbigdata.com          合作:hz@qtbigdata.com


激活工业数据资产          完善工业发展生态

社区入口



官网:www.qtbigdata.com          合作:hz@qtbigdata.com


激活工业数据资产          完善工业发展生态


参与社区发帖讨论,

我们会不(shen)定(jing)期(zhi)

推出一系列有奖互动。


首期奖品:《工业大数据》

作者:(美)李杰(Jay Lee)

出版时间:2015年7月

关注我们,活动参与详情近期告知。

本次活动最终解释权归钱塘数据所有


相关阅读:

1、光有热情不够,不是所有的中国制造业都能工业4.0

2、探讨工业制造智能化的技术本源和经济前景

3、全国首家工业大数据交易和应用平台正式上线【视频】

4、钱塘数据——核心功能/业务模式/业务范围……

5、最有BIG的招聘——不知道为什么,我就是想找到你
6、《老人身边的智能》科技原来如此“亲情”

7、【钱塘一周说】社科院调查:四成人讨厌“大数据”

8、【钱塘旁瞻】 | 得大数据者得新工业革命先机

9、探讨工业制造智能化的技术本源和经济前景

10、钱塘解析 | 2015年全国电力工业统计数报告【图表】

11、钱塘弄潮 | 迪特·拉姆斯(Dieter Rams)工业设计史上绝对绕不开的名字


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存