2020 年如果让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 是小而精的瑞士军刀，那后裔采集器就是大而全的重型武器，基本上可以解决所有的数据爬取问题。

下面我们就来聊聊，这款软件的优秀之处。

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

这个可以说是后羿采集器最良心的功能了。

市面上有很多的数据采集软件，出于商业化的目的，多多少少会对数据导出进行限制。不清楚套路的人经常用相关软件辛辛苦苦采集了一堆数据，结果发现导出数据需要花钱。

相比之下，后羿采集器提供了更多的功能：强大的过滤配置，完整的正则功能和全面的文字处理配置。当然，功能强大的同时也带来了复杂度的提升，需要有更多的耐心去学习使用。

下面是官网上和数据清洗有关的教程，大家可以参考学习：

• 如何设置数据筛选讲解了基础的数据清洗功能，可以避免采集过程中的无效采集（例如采集某个微博博主的数据时，可以过滤第一条置顶微博的数据，只采集正常时间流的微博）
• 如何设置采集范围讲解了采集过程中过滤不需要的采集项，可以方便的自定义采集范围（例如采集豆瓣电影 TOP 250 时，只采集前 100 名的数据，而不是全量的 250 条数据）
• 如何对采集字段进行配置讲解了如何定制采集的最小字段，并且支持叠加处理，可以对一个字段使用多种匹配规则。（例如只想采集「1024 个赞」这条文本里的数字，就可以设置相应的规则过滤掉汉字）

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

无论是什么爬虫软件，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。后羿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。

CSS

这里的 CSS 特指的 CSS 选择器，我之前介绍 web scraper 的高级技巧时，讲解过 CSS 选择器的使用场景和注意事项。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。但是个人认为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。

这几个都是后羿采集器的付费功能，我没有开会员，所以也不知道使用体验怎么样。在此我做个小小的科普，给大家解释一下这几个名词是什么意思。

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就会自动抓取数据。市面上有一些比价软件，背后就是运行着非常多的定时爬虫，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，为了降低服务器的压力，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。这时候爬虫软件就会自己维护一个 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。

个人认为后羿采集器是一款非常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，可以明显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后羿采集器的能力，也增大了学习难度。

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，后羿采集器是个不错的选择；如果涉及到定时抓取等高级需求，自己写爬虫代码反而更加可控。

总而言之，后羿采集器是一款优秀的数据采集软件，非常推荐大家学习和使用。