更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】代理服务器出现大量TIME_WAIT怎么破?爬虫客户端用什么库更高效?在本文我们将通过实验给你解答 “与TIME_WAIT相关的一些实验” >>>  http://www.site-digger.com/html/articles/20181109/683.html ​​​​
    发布时间:2018-11-09 16:58:07
  • 【备忘】mitmproxy v0.18.2版本Python script示例  
    归纳了一下公司近期常用的mitmproxy Python script编写示例,通过本示例你将学会在mitmproxy中如何通过外挂Python脚本修改请求和应答数据, >>> http://www.site-digger.com/html/articles/20181109/682.html ​​​​
    发布时间:2018-11-09 16:56:27
  • 【经验分享】自己gcc编译出来的squid可执行程序体积比官方rpm包里的体积大9倍(官方的6MB,自己编译出来的59MB)!使用strip --strip-unneeded file-path 处理之后,体积也变成6MB了!(running strip is a good way to get the size down after you have a binary and the binary is in ELF format. strip just removes debug and unreferenced symbols after the binary has been created.) >>> 参考:http://www.cplusplus.com/forum/unices/123451/
    发布时间:2018-11-07 14:02:55
  • 【干货干货】整整花了2天时间搞的。 iptables DNAT Web流量截取实验 >>> http://www.site-digger.com/html/articles/20181105/681.html ​​​​
    发布时间:2018-11-05 13:09:48
  • 【经验分享-纯干货】SNI导致Python 2.7建立TLS连接出现104错误问题的解决 >>> http://www.site-digger.com/html/articles/20181026/680.html ​​​​
    发布时间:2018-10-26 18:05:14
  • 【经验分享】使用openssl模拟与HTTPS网站的交互 >>> http://www.site-digger.com/html/articles/20181026/679.html ​​​​
    发布时间:2018-10-26 18:01:45
  • 美团外卖北京/上海/广州/杭州/成都五城市商户数据2018年10月份采集更新

    详细字段说明:
    “province” – 省份
    “city” – 城市
    “shop_name” – 店铺名称
    “address” – 店铺地址
    “category” – 大分类
    “third_category” – 小分类
    “phones” – 电话号码
    “score” – 店铺评分
    “min_price” – 起送价
    “month_sales” – 月售
    “shipping_fee” – 配送费
    “per_cost” – 人均消费
    “delivery_time” – 配送时间
    “delivery_tip” – 配送服务信息
    “pic_url” – 店铺图片
    “qualification” – 营业执照
    “shiping_time” – 营业时间
    “lat” – 纬度
    “lng” – 经度
    “comment_num” – 评论数

    >>> http://www.data-shop.net/2018/10/%E7%BE%8E%E5%9B%A2%E5%A4%96%E5%8D%96%E5%8C%97%E4%BA%AC%E4%B8%8A%E6%B5%B7%E5%B9%BF%E5%B7%9E%E6%9D%AD%E5%B7%9E%E6%88%90%E9%83%BD%E4%BA%94%E5%9F%8E%E5%B8%82%E5%95%86%E6%88%B7%E6%95%B0%E6%8D%AE2018/
    发布时间:2018-10-25 17:47:47
  • Selenium+Chrome淘宝正常登录方案演示:
    1. 不做特殊处理情况下,Selenium无法正常登录淘宝,会出验无法完成的验证码;
    2. 经过特殊处理后,成功突破淘宝对Selenium的检测,完美登录成功(连验证码都不会出现)。
    点击链接查看演示视频: >>> http://t.cn/EzdwqSY ​​​​
    发布时间:2018-10-22 16:55:09
  • 【经验分享】如何根据淘宝/天猫的分类ID(categoryId值)获取对应的分类名称?

    (1) 如图1所示,先从商品源码获取"categoryId"参数值,例如1512;
    (2)如图2所示,查表可知对应分类名称为"手机";

    点击这里购买该分类映射表(2018年10月份采集更新):
    http://t.cn/EzwnBs1 ​​​​
    发布时间:2018-10-17 11:46:05
  • FontEditor Online 赞! >>> http://t.cn/RKDTzTV ​​​​
    发布时间:2018-10-11 14:14:20
当前位置: 首页 > 技术文章 >
如何使用SPSS查看大CSV文件(超过100万行)?
发布时间:2017-02-08 来源:未知 浏览:

背景:Excel( Excel 2007-2016)最多仅能显示100万(1,048,576)行,那该如何查看超过100万行的大CSV文件呢?最好的方案是先将CSV文件导入数据库(这是鲲之鹏技术人员推荐的方案),例如MySQL,一旦导入到数据库我们就可以利用SQL语句很轻松的完成一系列复杂的查询和统计工作,可以说是一劳永逸。但是对于非技术人员来说,将一个大CSV文件导入MySQL也不是件容易的事(你可以按照鲲之鹏提供的CSV转MySQL教程完成该操作:http://www.site-digger.com/html/articles/20120525/34.html)。那有没有简单的方案呢?有,那就是使用SPSS。
 
关于SPSS的介绍请谷歌之。通俗地说就是一个界面类似Excel,能支持更多行数、功能强大的数据统计分析软件。
下面鲲之鹏的技术人员将演示如何用SPSS查看一个超过450万行数据的CSV文件(这是一个大众点评网8个城市的全品类商铺数据文件,字符编码是UTF-8)。
1)启动SPSS、设置好字符编码。
由于我们要查看的是UTF-8字符编码的CSV文件,我们需要将“编辑 -> 选项 -> 常规”中“数据和语法的字符编码”设置为Unicode,否则后面中文会显示为乱码。
2)启动“文本导入向导”:
打开 -> 文件 -> 数据,选择我们要查看的CSV文件(提示:需要将文件类型筛选器选择为*.*,否则你看不到CSV文件)。
3)接下来SPSS会弹出文本导入向导,如下图所示。
提示:如果在这里你看到的中文是乱码形式的,说明SPSS的字符编码你没设置正确,请参考步骤1完成。
“变量名称是否包含在文件的顶部”选择“”。
我们导入的是标准的逗号分隔符文件,分隔符选择“逗号”,文本限定符选择“双引号”。
一直下一步直至点击完成。这是数据导入工作将正式开始。
4)在SPSS的右下角可以查看到实时已导入的数据条数。提示:在导入未结束前已导入的数据如果显示为问号(如下图所示),不要担心,这是正常的,等导入完成就显示正确了。
5)导入完成。
后如下图所示,总行数超过了450万行。
6)SPSS数据分析功能小试牛刀:
统计大众点评上海市各类(根据一级分类统计)商户的分布,结果如下图所示
 
特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。