互联网数据聚合

四火

发布于 2022-07-15 21:26:41

4060

发布于 2022-07-15 21:26:41

文章被收录于专栏：四火的唠叨四火的唠叨

我们经常需要从互联网上获取数据，在很多情况下，你需要的是特定信息，或者说是符合某些条件的信息，比如：

这条需求隐含着两个有普遍意义的步骤：

从互联网上聚合符合特定条件的信息；
当满足阈值条件时，以某种方式通知用户。

事实上有太多做互联网数据聚合的网站了，比如酷讯机票，聚合了各大航空公司的机票信息：

再比如一些博客聚合网站等等。现在想想这样的场景：

每到一个新地方，自动给我的各个微博账号发一条地点签到微博；
我关注的明星有最新的动态，邮件通知我，第一时间获得消息；
我的股票一旦涨到某个值，短信提醒我该抛售了；
……

其实这些事情不难实现。

IFTTT

不知道你是不是和我一样，当看到上面那两条步骤时，想到的第一个词就是IFTTT。IFTTT 是一个 IF This Then That 的网站，如果某件事发生，就做另一件事，不需要任何编程经验：

当某 rss feed 有更新的时候，就给我的邮箱发送一个邮件。

可以发邮件通知，可以发短信通知（对我的联通手机号支持好像不行），很方便也很强大。从交互性来说，是类似网站中做得最好的。如果你没有尝试过，你一定要去试一试。但是 IFTTT 貌似不支持自定义网页 XPath 的条件。

这样的东西怎么能没有 Copy-to-China 的版本？中文抄袭版本叫做 “如果云”，连界面都很像，现在处于邀请码发放阶段。

YQL

我在上一篇博客里面已经讲到了 YQL 怎么使用，在 console 上测试自己写的查询语句，并将其暴露成一个简单的链接，任何时候需要查询结果的时候只要访问这个这个链接就可以了。你可以把它看做一个特定用途的非常简单的爬虫。YQL 的语法和 SQL 很接近，再需要一点 XPath 的知识，很容易掌握。

Yahoo 是很想做一些大事情的。对于互联网上千奇百怪的 API，它想把他们都统一起来，可以用 YQL 类似于 RDB 执行 SQL 语句的方式来调用。也就是说，不仅仅让整个互联网更像一个数据库，还让访问统一化，更容易读写。

YQL 有一些内置表，以便你可以轻松获取到 Yahoo 的 web 服务数据，以及一些离线数据。而开放数据表（Open Data Tables）则允许你创建和使用自定义的数据表，屏蔽那些复杂的 web 接口访问，让查询数据的人对于复杂接口的访问变得容易。如果你对它感兴趣，请访问它的 guide 文档。比如，这个语句是从 apple.itunes 表中查找记录：

select * from apple.itunes where term='x' and media='all' and entity='allTrack' and attribute='allArtistTerm' and limit='100' and sort='recent';

执行这个语句就可以看到所有的表了：

show tables

和 SQL 语句看起来似乎没有什么区别。

以 JSinterpreter.xml 为例，通过这样的定义，可以让 YQL 中执行 js 成为可能：

            <inputs>
              <key id="NEW" type="xs:string" paramType="variable" required="true"/>
              <key id="execute" type="xs:string" paramType="variable" required="true"/>
            </inputs>
            <execute><![CDATA[    
            var NEW= new XML(unescape(NEW));          
            eval(unescape(execute));
            ]]></execute>

使用：

USE "http://www.datatables.org/trygger/JSinterpreter.xml" as t1;
select * from t1 where NEW="%3Ctest%3E%3Cvalue%3EHello!%3C%2Fvalue%3E%3C%2Ftest%3E" and execute= "var%20res%20%3D%20NEW.value.*%3B%0Aresponse.object%3D%3Cresult%20status%3D'ok'%3E%7Bres%7D%3C%2Fresult%3E%3B"

现在如果你使用 YUI，引入 YQL 查询组件就可以在页面代码里直接调用了：

YUI().use('yql', function(Y) {
    Y.YQL('select * from ...', function(r) {
          var results = r.query.results
          ...
    });
});

还可以找得到 AWS 服务的，OAuth 的，GitHub 数据访问等等的表定义文件。

Yahoo Pipes

Pipes 是一个聚合、操作和混搭互联网内容的拼装工具。就像 Linux 的管道一样，几个简单的命令，就可以：

合并许多 RSS feed，然后排序、过滤和翻译；
给你喜欢的 feed 按地理编码，然后再一个交互性的地图中浏览；
输出成为网站上强大的 widget/badge；
以 RSS、JSON、KML 等等格式输出；
……

Pipes 的还有一个特点是拖拖拽拽就可以把整个处理流程搞定，不需要很多编程技巧，另外，对 YQL 和 XPath 也提供原生支持，这就意味着它的功能非常强大，可定制性强。虽说最初的目的就是 RSS 聚合而已，但是它可以做的事情比这多得多。

ChangeDetection

现在从抓取网页信息的迷局中走出来，下面介绍一些监控网页的工具，这些工具并没有提供让你从网页中抓取特定信息的功能，但是你可以很容易地获知网页变化的信息。ChangeDetection 就是这样一个监控网页是否发生变化的网站，如果你是某个人的粉丝，想要监控他偶尔更新的网页动向；或者说是要监控 Amazon 上某个产品的价格变化，使用这个工具是最好的了。这个应用做得比较简单，只支持 email 通知而已。