案例介绍
需求说明：
1)爬取近2000网站，下载约300万条记录；
2)从不同格式的网页中提取关键信息，要求准确率达到85%（可人工干预）；
3)能从PDF、图片中提取内容。
技术要点：
1)运用多组正则表达式提取内容，实现60%左右的正确率；
2)使用IP池应对反爬虫机制；
3)使用Selenium解决动态翻页问题；
4)利用Tesseract从图片中提取文字；
5)使用PDFMiner从PDF中提取内容。
案例图片
相似案例推荐
其他人才的相似案例推荐
-
gm后台管理系统
新项目用于游戏后台管理，前后端都是我一个人开发 ，前端用的
-
数据采集app
该项目2017至今一直处于维护中，项目获得用户好评。该项目主
-
《豆瓣top250爬虫工程》
本项目的主要功能包括： 1，爬取豆瓣TOP250的书籍
-
海洋牧场
此款APP实现的主要功能是显示海洋牧场站点列表，显示海洋牧场
-
华为eService云智能管理系统
华为云智能管理系统，利用机器学习技术，让智能运维大脑越来越聪
-
智能电力监控仪表
多功能电力仪表专门针对电力系统、工矿企业、公用设施、智能大厦
-
短信平台
短信平台，提供了短信发送接口和用户后台发送短信。同时对接了三
-
工程进度智能预警系统
本系统是依据工作的流程和相关标准要求，实现了工作过程中对项目
-
督办任务微信小程序
本小程序实现了在线聊天功能，并且能根据用户不同的需求，创建不
-
大数据分析决策平台
该项目现主要包含登录、首页、客流分析、智能客流、安全防范、商
-
国知局专利信息抓取
国家知识产权局专利检索数据挖掘 1.专利数据抓取 2.专
-
河北省电子口岸官网
参与了河北省电子口岸单一窗口的开发迭代、河北省电子口岸官网的
微信接收人才推送
关注猿急送微信平台，接收实时人才推送
接收人才推送
联系聘用方端客服