Upload
avantoinsight
View
1.446
Download
2
Embed Size (px)
DESCRIPTION
Citation preview
Screen scrappausDatan hankinta ja käyttö
10.04.23 Johan Laitinen
Lähtökohta
Optimaalinen lähtökohta: Mitä dataa halutaan? Data avointa
Yleinen lähtökohta: Mitä dataa saadaan? Osa datasta avointa Omat scrappaukset
10.04.23 Johan Laitinen
Prosessi
Kolme vaihetta Hankinta (import)
Aineiston tallentaminen Käsittely (processing)
Aineiston muokkaaminen käytettävään muotoon Datan louhinta
Tulos (output) Valikoidun datan tallennus
10.04.23 Johan Laitinen
Datan hankinta
Saako dataa valmiina jostain? Valmiit rajapinnat Tehtävä itse - Eduskunnan äänestysdata – biomi
http://biomi.org/eduskunta/eduskunta.html Kuka takaa toimivuuden?
Onko datan tulo jatkuvaa? Vuosittainen tilinpäätös vs. Kunnan
päätöksentekodata vs. blogitekstit
10.04.23 Johan Laitinen
Datan prosessointi
Mitä dataa haetaan?
Missä muodossa data on? Rakenteellinen / rakenteeton
Mihin muotoon data pitäisi saada? XML, JSON, CSV?
10.04.23 Johan Laitinen
Case: Tampereen kaupunki
10.04.23 Johan Laitinen
Case: Tampereen kaupunki
wget --convert-links --post-data='kirjaamo=&text=Keskusareena&pvm1=&pvm2=&ktu=&djn=&dvu=’ http://193.111.93.11/ktwebbin/dbisa.dll/ktwebscr/epj_asil2.htm
Curlissa ei –convert-links –vipua --> liitteet hankala saada
10.04.23 Johan Laitinen
Case Tampereen kaupunki
Otetaan mielenkiintoiset datat talteen
10.04.23 Johan Laitinen
Case Tampereen kaupunki
10.04.23http://demo.avanto.in
Johan Laitinen
Työkaluja
Datan hankinta Wget / curl php ScraperWiki
Datan käsittely Antiword – pdf/doc txt Regex – datan etsintään, valikointiin http://kex.venko.net/perusta/ - sanojen perusmuotoistaminen
(Tuomas Salo)
Datan varastointi Node.js
Prosessin automatisointi / cron
10.04.23 Johan Laitinen
Hyvä muistaa
Skriptien tulisi kuormittaa palvelimia mahdollisimman vähän (vältetään tahaton DoS)
Miten skripti hoitaa ongelmatilanteet?
Merkistö: välilyönnit, viivat, ääkköset voivat aiheuttaa ongelmia
Verifioidaan data scrappaukseen jälkeen! Etenkin jatkuvassa ajossa olevien skriptien tapauksessa
10.04.23 Johan Laitinen
Kysymyksiä tai kommentteja?
Kiitoksia mielenkiinnosta!
10.04.23 Johan Laitinen