进入大数据时代,调查报道愈加成为信息战。从哪里收集有效数据?如何抽取、筛选、整合、分类大量琐碎的信息?如何分享、存储数据,并实现随取随用?深度君整理了一张数据收集和处理工具清单,分为八大类,方便实用,各有所长,供大家选择。
1.全文本搜索和挖掘的搜索引擎:
包括:搜索方法、技术:全文本搜索,信息检索,桌面搜索,企业搜索和分面搜索
开源搜索工具:
- Open Semantic Search:专门用于搜索自己文件的搜索引擎,同样的还有Open Semantic Desktop Search:可用于搜索单一一台笔记本电脑或单一用户的文件资源。
- InvestigateIX: 用于搜索加密外部设备
- Recoll: 适用于Linux系统的桌面搜索引擎
- Fuzzy search with lists:清单搜索、模糊搜索
搜素数据库和API
- 如果你想编程,你可以试用以下强大的搜索引擎:Solr和Elastic Search,支持索引和API搜索,更多全文搜索、实时检索、数据分析、多格式数据读取(JSON, SML, CSV或HTTP)等强大功能等你开发。
2.数据库、数字文档、数据管理系统、文件管理系统和内容管理系统:
- 还在为不同格式的脚注、尾注、文中引用和文献参考大费脑筋吗?资源整理神器Zotero的标注和引用功能帮你解决难题。它可以在Word,Open Office添加引用,在Google doc和电子邮件中插入文献参考,或者为数据库添加标记。
- LibreOffice Calc:开源表格程序
- Document cloud:文档管理系统,管理纸质文件扫描版本或者PDF 格式文件
- Semantic MediaWiki: MediaWiki(著名开源引擎,可用于构建企业/个人知识库,维基百科就是使用MediaWiki的成功范例)的免费开源扩展,可供用户存储、调用数据
- Drupal CMS:内容管理模块,可以让你快速便捷地以用户界面创制自己的内容格式、数据字段和表格
- 想从大量文件中单独抽取金额来分析?专业的文件管理系统Agorum可以自动从账单抽取金钱数额,帮你轻松解决。
- 想标记图片中的文字?Pundit帮你办到,它同时支持文本和图片标记。
- 想在网站加注释?Annotator.js帮你在任何网页加注释,而且可以添加评论、标签、链接、用户或者更多不同种类的信息,第三方插件还能帮你在难以搞定的PDF、EPUB、视频、图片、声音甚至更多格式的文件上添加标注。
- 标注了信息,想收到更新提醒?Hypothesis可供用户订阅一系列已标注的活动信息,而且能按照自己的兴趣获取通知,而且还能分享评注、链接词典。程序员还可以获取有限的网站许可,通过第三方应用创建、更新、删除、搜索注释。
3. 文本文件挖掘、分析
- Text mining tutorial: How to analyze large document collections:文本挖掘教程:如何分析大容量文件集(使用Open Semantic Search来挖掘文本)
- Understanding language data: 理解语言数据:可以使用开源NLP(自然语言处理)软件
- 统计词频有困难?Overview project可以显示文本最常用的词和它们的词群分布
- 想以图解的方式查看文本检索结果?文本搜索工具Jigsaw:(非开源软件,但可免费下载)可统计文本中最重要的人物、地点、组织等实体的出现频率,并将他们之间的关系以列表、图表、时间表和关系图的形式呈现出来,提高文本分析效率。
如果你觉得不够,我们还推荐:
- Wikipedia list of open source text mining software:维基百科上整合的开源文本挖掘软件列表
- Tapor: 研究专用的文本分析门户,提供大量文本分析工具,你可以按照类型或标记找到最适合的一款。
4. 图表和关系网络分析(SNA)
帮助分析关联并将其可视化的工具:
- 关系网分析教程:教你如何用Open Semantic Search可视化关联
- Cytoscape.js: Javascript数据库,能将关系网、事物分属和图表可视化
- Semantic Mediawiki:上面介绍过,不仅是数据库,也是适用于关联数据、非常灵活的内容管理系统
- Detective: 以Python/Django和neo4j图像数据库为基础的内容管理系统,适用于分析关系。
5. 抽取、转换数据
包括数据整合、抽取、转换、转移、ETL(数据提取、转换和加载)网络爬虫采集等等
从文件抽取结构化数据:
- Tika content analysis toolkit: 从文档和文件抽取文本和元数据
- CSV Manager:将csv表格输入Solr为基础的搜索引擎
- 想从PDF文件抽取数据、转化为可编辑的文本?免费软件Tabula可以直接从PDF文件抽取数据表格,神奇吧?
- 图片识别和文本扫描:光学字符识别(OCR)
从图片识别文本(OCR)
- Tesseract: 光学识别软件,从图片识别文本
- 低质量扫描没法看?Scantailor帮你分页、矫正文本、添加/删除页边,可以将原始文本传换成PDF或者DJVU格式的文件,便于打印。
从声音识别、抽取文本:
- CMU Sphinx: 开源声音识别工具,支持英语、法语、中文、德语、荷兰语、俄语。该开发商还提供关键词识别和读音识别等实用工具,可以多多关注。
从网站抽取数据(网络信息采集/网络爬虫)
6. 输入、修改、转换数据
- 将数据转换成纯文本的超强工具: Tika content analysis toolkit
- 将数据转换成其他格式的工具:Talend Open Studio和Kettle
编写文件和删除元数据
记者为了保护信息,往往需要编写文件、清除敏感文件、删除隐藏在文件或图片里的元数据,例如软件的序列号或软件、用户名,以下工具可供参考:
- PDF Redact Tools: 以最安全的方式删除PDF中的元数据
- MAT: Metadata Anonymisation Toolkit:从不同的文件格式和图片格式中删除元数据
7. 统计与分析
- 开源表格程序LibreOffice Calc
- 上面介绍过的HUE Solr search和Kibana for Elastic Search,除了能检索数据库和API,也能完成数据分析
- 适用于数据分析和计量经济分析的专业电脑程序:Statistical software
- 统计和分析的工具大全:Business Intelligence
- 用R 、 Python或其他编程语言编程分析数据
- 以上数据分析太复杂?刚入门,想理解数据分析原理?推荐阅读解释数据挖掘方法的书Mining of massive datasets(请点击链接,下载免费PDF格式)
8. 通用开源软件工具包
最强大的通用开源工具包,例如 Debian GNU/Linux或Ubuntu Linux,涵盖了成千上万个免费软件和开源工具、软件数据库和编程语言。
运行时,用户无需移除现有的操作系统:安装适用于Windows和Mac的Virtual Box,你就可以在现有操作环境下的单独的窗口运行上述Linux软件。