如何从淘宝爬虫数据,大数据的含义和作用是什么
大数据（英语：Big data），又称为巨量资料，指的是在传统数据处理应用软件不足以处理的大或复杂的数据集的术语大数据的特点
如何从淘宝爬虫数据，大数据的含义和作用是什么？
大数据（英语：Big data），又称为巨量资料，指的是在传统数据处理应用软件不足以处理的大或复杂的数据集的术语大数据的特点
体积大
数据量很重要。对于大数据，将不得不处理大量的低密度，非结构化数据。这可能是价值未知的数据，例如Twitter数据供稿，网页或移动应用程序上的点击流或启用传感器的设备。对于某些组织，这可能是数十兆字节的数据。对于其他人，可能是数百PB。
PB是硬盘存储容量单位，存储容量：是该存储设备上可以存储数据的最大数量，通常使用千字节（kb kilobyte）、兆字节（MB megabyte）、吉字节（GB, gigabyte）、太字节（TB ，terabyte）和PB(Petabyte)、EB(Exabyte)等来衡量。1PB=1024TB=1024 * 1024 GB一部1080P高清电影 2G 左右，大概就是 50W部高清电影速度
速度是接收和（或可能）作用于数据的快速速率。通常，与直接写入磁盘相比，数据流直接进入内存的速度最高。一些支持互联网的智能产品会实时或近乎实时地运行，因此需要实时评估和采取措施。
多样性
多样性是指可用的多种数据类型。传统的数据类型经过结构化，可以整齐地放置在关系数据库中。随着大数据的兴起，数据进入了新的非结构化数据类型。非结构化和半结构化的数据类型（例如文本，音频和视频）需要进行额外的预处理才能得出含义并支持元数据。
真实性
它是指数据中的不一致和不确定性，即可用数据有时会变得混乱，并且质量和准确性难以控制。
大数据也是可变的，因为多种不同的数据类型和数据源会产生大量的数据维度。
价值
除非将其转化为有用的东西，否则大量没有价值的数据对公司没有好处。
数据本身没有用处或重要性，但需要将其转换为有价值的信息以提取信息。
大数据作用指引产品开发
Netflix和宝洁等公司使用大数据来预测客户需求。他们通过对过去和当前产品或服务的关键属性进行分类并对这些属性与产品的商业成功之间的关系进行建模，从而为新产品和服务建立了预测模型。此外，宝洁还使用焦点小组，社交媒体，测试市场和早期商店推出的数据和分析来计划，生产和推出新产品。
预测性维护
可以预测机械故障的因素可能深深地埋在结构化数据中，例如设备的年份，制造商和型号，以及覆盖数百万条日志条目，传感器数据，错误消息和发动机温度的非结构化数据。通过在问题发生之前分析这些潜在问题的征兆，组织可以更有效地部署维护并最大化零件和设备的正常运行时间。
提升客户体验
客户竞赛在进行中。现在比以往任何时候都更可能更清晰地了解客户体验。大数据使您能够从社交媒体，Web访问，呼叫日志和其他来源收集数据，以改善交互体验并最大程度地实现交付的价值。开始提供个性化报价，减少客户流失并主动处理问题。
机器学习
机器学习现在是一个热门话题。数据（尤其是大数据）是原因之一。现在，我们可以教授机器而不是对其进行编程。大数据的可用性可训练机器学习模型，从而使之成为可能。
推动创新
大数据可以通过研究人员，机构，实体和流程之间的相互依赖性，然后确定使用这些见解的新方法来帮助您进行创新。使用数据洞察力来改进有关财务和计划考虑因素的决策。检查趋势以及客户希望提供什么新产品和服务。实施动态定价。有无穷的可能性。
引申现在社交媒体（微信，微博，短视频），电商都有海量数据。头条可以根据用户行为进行精准推送内容或是广告。电商可以根据数据推送有购买意向的产品。
当前大数据时代只要是有海量用户，就可以根据用户的行为进行分析从而衍生出新的价值信息。
人工智能的前提就是通过海量数据，进行模型训练从而形成自己的计算方式。16年时谷歌人工智能机器人阿尔法狗大败世界围棋冠军李世石。围棋是人类引以为傲的高智商游戏，但最终败给了机器人。机器人就是前期通过海量数据进行计算不断的完善。
大数据的快速发展，也带来了很多问题。例如鼎鼎大名的脸书用户隐私泄漏事件。大数据中含有很多用户隐私数据，不正当的使用会造成灾难事故。
大数据未来还可以在更多的领域中使用，未来也将会出现更多的技术弥补大数据的漏洞。
请点赞支持下吆，留言关注交流。
一般用哪些工具做大数据分析？
其实，大数据分析这个部分是很大的模块，包括从底层数据仓库搭建到最后的数据展示，非常复杂。
你说的是业务、IT都能用的数据处理和展现部分吧，今天就推荐一个。
前言"数据可视化工具，可爱者甚番。分析师独爱R，自Python以来，世人盛爱matplotlib。余独爱FineBI之出分析而不拖沓，做可视化还算酷炫......."。哈哈，秀个拙劣~
本文向大家介绍最近更新的一个数据分析可视化神器——FineBI。和Tableau、PowerBI都是同属一类工具，自助式BI。
之前我在一些回答里面也有过推荐，不过我更爱他的兄弟FineReport，以至于换了两家公司都连续推荐采购。但最近新出的5.0版本着实让我惊艳了一把，给人的感觉，比PowerBI更成熟稳定功能更多，平价版的Tableau替代！
接下来讲重点讲解它的主要功能、特点和同类具的对比、以及基本使用方法。
后面还会再针对这个工具写一篇详细深入的上手教程。
阅读目录前言FineBI的主要功能FineBI的主要特点FineBI Vs 其他同类产品FineBI的分析思想获取方法&学习资料小结FineBI的主要功能先来说说BI，BI全称商业智能（Business Intelligence），是一套完整的数据解决方案，将企业的数据有效整合，快速制作可视化报表，以供业务决策。它一般涉及数据仓库（现也和很多大数据方案对接）、ETL、OLAP分析，权限控制等模块。
顾名思义，FineBI是一款BI商业智能工具，能简单快速的生成各种酷炫的可视化数据报表，做有目的性的数据分析。
所以，它主要完成下面几个工作：
1. 数据的整合
2. 数据的分析和可视化
3. 报表制作与发布
FineBI的主要特点BI工具那么多，为何我要重点推荐这款BI工具呢？
Tableau和PowerBI的好自不用我多说，知乎上大家都议论了很多。
但这款BI做为国产，不由得让我产生好奇和好感，值得关注和鼓励。更何况它能够足以应对基本的数据分析，不虚于那两者，且具备下面几大特点：
1、打通各类数据源
FineBI能够从各种数据源中抓取数据进行分析，除了支持大家常用的Oracle、SQLServer、MySQL等数据库，还支持SAP BW、HANA、Essbase等多维数据库。
大数据前端分析，FineBI可对接Hadoop、Kylin、Derby、Gbase、ADS、Hbase、Mongodb等大数据平台。在对接方面有自己的分布式连接方案。
下图是FineBI的数据连接窗口：
还支持导入Excel数据，支持从R语言脚本导入数据。所以基本能对接各类数据源，打通并整合。
2. 易用性(无需编程)
笔者给自己的定位是一枚数据科学家，因此不会也不能将过多精力放在可视化工作上。毕竟数据库/数据仓库系统架构，数据挖掘算法研究等工作更是重中之重。而FineBI采用的拖拽数据字段，自动出图的操作方式，将我从可视化的泥潭中解放出来，把更多精力投放到数据管理，算法研究和业务沟通上。下图展示了FineBI清爽商务的工作界面。
易用性还体现在数据处理方面。
要知道一份数据拿到在分析是还是要做很多公式计算、过滤筛选处理的。惊喜的是这个工具内置了各种计算公式、过滤组件。
比如时间过滤，大家觉得还要手写公式么。
各种现成的计算公式，基本告别SQL和代码。
这里展示的仅仅是一小个方面，绝大多数商业公司出品的软件在易用性方面完爆开源产品。
3、可视化颜值高
一些图表（出自官方）
下面这些图是笔者20分钟不到就做好的，稍加美化，估计也能达到大部分客户在颜值上的要求了：
要知道同样的工作使用R语言的ggplot2至少要2小时(含调试)，使用Python的matplotlib就更久了。
4、数据权限管控
FineBI的数据权限管控，可以说是很专业了，这也是开源和商业不能比的。
笔者是FineReport的深度用户，FineReport是报表应用工具，应用面更广，数据安全性要求也更高，FineBI差不多是沿用了其兄弟产品的一套权限管理方案。可以对不同部门/岗位/角色的人员，进行数据源/业务包/数据表/分析报表的权限管控。简单来讲，你可以让不同人看到仅有自己权限下的报表和数据。
嗯，暂时就说这几点，再说有打广告嫌疑了......
FineBI Vs 其他同类产品1. FineBI VS Excel
两者是不太一样的产品，Excel更全面更加注重数据处理，而FineBI比较精简更注重报表及可视化，FineBI更像是数据透视表+少量VBA。不过两者结合用相得益彰。
2. FineBI VS R语言ggplot2
ggplot2其实是R语言的可视化包，因此对于熟悉R语言的人来说，使用ggplot2会非常得心应手。同时由于ggplot2是由编程语言R驱动，因此它在定制化方面肯定做得比FineBI要好。但是要写一定量代码，这个不是每个人都擅长，毕竟如果是简单的分析，大可不必入R的门。
3. FineBI VS Echarts等开源图表
Echarts一般是给前端程序员用的，需要编程语言JS驱动，不推荐没有编程基础的分析师使用，虽然Echarts可视化更丰富。
4. FineBI VS 其他商用BI工具(如Tableau、PowerBI等)
功能方面都没有太大差异，就是你多一个，我少一个的区别。对大部分人来说日常的数据分析足够了。
使用感都有所不同，FineBI有个建立业务包环节，对数据做业务/场景区分。PowerBI属于组件拖拽式风；Tableau在分析时和FineBI差不多，探索式分析，调整可视化样式。
实际企业级商用有差异，因为要考虑得更多。企业级应用出产品使用上还要更多关注平台对接，架构方案，数据抽取方式还有性能，包括之前提的权限管控等，FineBI和Tableau更有商用基因，具体要看自己的实际需求和使用环境。
综上所述，以上的工具都没有单纯的优劣之分，具体问题具体分析，什么需求用什么工具。不过，如果你想快速地做美观的可视化报表，那FineBI值得一学。
FineBI的数据分析思想用FineBI做数据分析，总体的思路是这样的，和Tableau有点像：
1.先连接数据库，导入数据源。支持的数据源类型前文已说过。
2.然后初步处理数据，选择要分析的字段，分组汇总、新增列、合并表、行列转换等等。
3.接着进行数据分析。如果没目的，可以先根据自己的假设拖拽数据字段，看看数据是什么趋势是否有规律，渐渐摸清楚思路，所谓探索性分析。如果有目的，直接可视化就行。
4.最后形成可视化分析报告，导出或分享。
这里，我后面会出个一个详细的案例，可能会更能理解。
小结有些人可能会对商业软件带有一种排斥观念，个人觉得这是比较幼稚的。商业软件固然需要花钱，但劣质的开源软件更可能浪费大家的宝贵时间。显然我们应该将精力更多的投放到数据和算法本身以及具体业务上，工具只不过是工具罢了。
这个观点比较主观，不过请不要纠结，因为FineBI是免费的，企业级部署会有2个并发限制，需要购买lic。
感觉什么都没学到？
哈喽谢邀！大学学的软件工程，当时听说这个专业毕业很吃香，觉得面子上有逼格。到毕业了到底有什么工作可以做的?很迷茫该怎么办?我来说说我的经历。
第一个说我兄弟，初中早恋整天叫家长的那种，不知道最后怎么着了报了个软件工程，也许是认为自己打游戏，对电脑系统，语言很精通?毕业后一天这个方面的工作没有接触过，学了汽修，现在在四s工作。
第二个我小学玩到大的同学，只是家里有也单纯的爱鼓弄电脑，就以为自己学习电脑无压力，结果勉强上了个大专，后来出来后北京打工，组装电脑还嫌送货累，编程水平就是小学生水平。
我也写过一篇问答现在置顶，内容就是什么专业毕业即是失业，当时忘了把这个写上来。其实计算机软件工程，专业学习的太笼统了，需要有扎实的理论基础。软件工程是一门学问很深的学科，书面理解为构建和维护有效的、实用的和高质量的软件的学科。要想玩转她，应用好需要程序员起码掌握程序设计语言、数据库、软件开发工具、系统平台、设计模式等多方面的知识。是一个管理员类型的人才。
还有大学生软件工程要学习什么课程。软件工程要学习的具体学科有什么?除了我们知道的计算机基础知识，网络操作系统安全与维护，还需要把公共课还有专业课搞明白了。
公共课就是英语，数学了。学英语很好理解了，程序员能否写出来好的程序，看得懂别人写出来的程序，跟学好英语有很大的关系。数学知识就是高等数学喽，线性代数，概率论与数理统计，想要学好软件工程，就一定要熟悉各种算法，数学知识也一定不能少。除此之外，还需要有大学物理，实验，软件项目管理方面的知识。
看到这里怕了吧?所以要想学会学好，并且以后想以此为自己职业技能，做职业规划打算的，先问问自己理论知识有没有学好，没有的话马上有针对性的学习为好。
至于学成归来以后的工作方向，大致就是技术岗还有非技术岗了。技术岗有编程岗就是程序员，如java，pathon，web应用程序，软件测试，数据库管理，多媒体制作，从事相关教学等等。
非技术岗有产品开发，产品运营，到后期走产品经理，还有不少转行做其他的。整体来说就是在北京，上海，深圳那边机会多一些，实习机会很好找。
总的来说学完出来后工作还是比较容易的，很多企业都缺人，但是需要能拿出真东西的人，挣多挣少完全是一切靠个人能力！
职场小白如何学习数据分析？
想要深入学习数据分析，第一步是要进行Python实战，然后需要对业务进行深入的理解，建立指标体系和思路，因为脱离了业务的数据分析基本上就是瞎胡闹。
这里我就不谈业务了，先演示一下如何利用Python做一次真正的、完整的数据分析实操。
————————Python实操正文————————
比如说，我想要研究亚马逊上Top100的细分品类——女式内衣的销售情况。（还有点不好意思）
分析分为三步：数据采集、数据清理、可视化分析
一、如何爬取内衣数据Python爬数据很简单，我个人总结大致就 3点：请求数据、进行数据处理、写数据。
请求数据会有几种可能：
很简单的html页面，就直接requests就可以请求成功；js渲染的页面 ，这种页面超多，requests请求一堆js数据；需要登录才能获取，至今登录我都是用的cookie 请求登录，但应该有更好的办法；json数据；数据处理会有几种可能：
请求的数据是简单的html结构页面——直接BS4解析就好了请求的数据是json——导入json模块进行解析请求的数据是简单的js渲染的html页面遇到这种页面通过抓包或者简单的在网站上审查请求，然后找的你想要的那部分数据，如果是js渲染的html，其实就是js拼写的html，只要把其他无用的数据匹配掉用正则找到剩下想要的html文本就好了 。然后BS4解析。
写数据open方法进行文件打开 里面的参数进行文件格式设置，读写文件、编码格式操作
文件格式我用过的就是txt、csv 、xml 大部分文本格式都支持的。
a--是创建文件 每次写都是重新创建w--是追加a--是读数据encoding="utf-8"这句话 不加encoding= 在windows系统下会报编码错误，linux不会。然后就是数据量太大，写入到数据库数据库就用sqlite，记得引入模块 import sqlite3，就是创建数据表。
好了，不啰嗦，开始爬数据。
1、爬取商品排名和详情页链接
需要爬取的具体字段：排名（Rank），商品名（item_name），商品详情页链接（item_link）、商品图片链接（img_src）。
2、在商品详情页爬取更多商品信息
店家名、店家链接、商品名、价格
星级、评论标签
核心：
构建函数来获取单个商品的详细信息；利用for循环，遍历商品详情页链接列表，来获取每个商品的详细信息3、爬取评论
评论内容，星级
核心：
从上一步的csv文件中，读取Rank , item_name , reviews , reviews_link字段构建函数读取每个商品的所有评论利用for循环，获取所有商品的所有评论存储到数据库和csv文件中4、爬取size和color数据
和第三步基本一样，代码基本一样，主要在于要确认每页评论的size&color个数。
二、数据清洗和预处理1、读取、清洗数据
从csv文件读取100个商品的数据，筛选出所需要的字段，进行数据清洗。
这里注意，部分读取的数据，看似是数值，实际是字符，因此需要进行类型转换（如price拆分后，还需要转为float型）
需要参与数值计算的NaN，使用平均值进行替换。
2、以商家维度处理数据
获取所需的数据：商家的星级、评论数总和、评论数均值、最低价均值、最高价均值、价格均值、商品数量、占比。针对星级、评论数均值、价格均值、商品数量做标准化处理，并计算加权分。
三、分析：歪果情趣内衣哪家强1、不同商家的星级排名
平均星级达4.15分，高于平均分的商家超过一半（17/32）Top1的LALAVAVA高达4.9分，紧随其后也有5家达到4.5分。倒数第一N-pearI只有3.2分让我看看LALAVAVA长什么样。亚马逊上的商品，看上去就是普通泳衣，米国人还是很保守的嘛~
但评分高真的就说明产品好吗？不如来看看评论数吧。
②不同商家的平均评论数排名
首先平均评论数只有193条，而且高于平均线的只有不到三成（12/32），想想淘宝动辄上万，我们的人口优势让米国人羡慕呀；再来看星级Top1的LALAVAVA，评论数少得可怜，那么对其商品真实质量就要存疑了；而星级倒数的N-pear I，同样评论数很少，那大概率其商品其实不咋地；反观评论数Top1的Garmol，其星级评价4.4，口碑佳评论也多，看来是不错的商品；紧随其后的几家，其星级分数就低于平均分了那么，亚马逊的星级评价难道就只受评论数的几颗星比例影响吗？我查阅了网上的一些资料，发现亚马逊评价星级评定的三个重要因素：评论距离现在的时间，评论被买家投票采纳数，评论是否有verified purchase标志（意指真实买家）。此外，评论的字符数，被点击次数等因素也可能会对评论星级有影响。
看来，亚马逊对评论的监控和管理是非常严格而复杂的！当然，最重要的还是看看评论第一名的Garmol长什么样：
比上边的泳衣更点题了，大家说好才是真的好，very sexy！
2、不同商家的价格区间排名（按均价）
从图上来看，明显ELOVER锁定的是高端市场，定价区间在49刀左右；相反，Goddessvan定价仅0.39刀，还只有一款，猜测可能是亏本冲量，提高商家曝光，抢夺低端市场从均价来看，基本分布在10-20刀间，说明这是情趣内衣市场的主要价格区间；但20-40刀区间居然没有任何商家，可以在这一块深入研究，看能不能找到证据说明该区间是蓝海，有更大的市场潜力而从每个商家的价格区间来看，大多数都是采取多颜色或款式的策略，一方面为用户提供更多选择，另一方面也体现了商家的上新能力；而仅有少数几家采取了单一爆款的策略最奢华的ELOVER看上去果然比较女神，缩略图都比别家更用心。
那么，到底哪个商家的策略更靠谱，市场份额更大呢？
3、商家的商品数量饼
在Top100的商品占比中，Avidlove以28%的巨大优势称霸而其他商家基本都是个位数的占比，没有很明显的优劣势Avidlove的内衣是酷酷风的，我喜欢。
单一方面毕竟还是很难衡量哪家商家更优秀，不如综合多个指标来分析吧~
4、不同商家的加权分排名
将星级、平均评论数、商品均价、商品数量进行标准化处理后，因为不好拍定加权的比例，便将4项的归一化结果x10后直接累加得到总分，并制作成条形堆积图。
而每个商家的4项指标的占比，则侧面反映其自身的优劣势。
Avidlove，刚刚的酷酷风内衣，在其他三项中规中矩的情况下，以商品数量优势夺得综合分第一，有种农村包围城市的感觉Garmol，主要依靠口碑（星级、平均评论数）的优势，夺得了第二名ELOVER，主要依靠精准切分高端市场，夺得了第三名N-pearI，没有任何优势，不出意料的光荣垫底口碑最差的N-pearI，能搜到的商品也最少，不过图很劲爆，emm……然而不是我的菜
粗略来看的话，想要排名靠前，口碑一定不能太差，至少要保持在平均水平及以上！
5、不同商家的星级/价格散点图
用Python做了张散点图，x轴为商家的商品均价，y轴为商家的星级，点大小为商品数量，商品数量越大，点越大，点颜色为评论均值，评论均值越大，颜色越深红。
利用价格均值和星级均值，将图切分为四个象限：
①左上象限：实惠好评的商家
②右上象限：有点贵，但一分钱一分货的商家
③右下象限：贵，但质量不咋地的商家
④左下象限：便宜没好货的商家
所以借助这张散点图，挑商家买东西就容易多啦：
追求性价比，可选择Avidlove，而且商品多，任君挑选 ；追求高端，可选择ELOVER，它贵有它的道理 ；追求大众，可选择Garmol，评论数最多，而且好评居多 。顾客可以根据自己的喜好挑选合适的商家，那么作为商家如何改进自己呢？
6、词频分析
前面在爬取的过程中，同样爬取了评论标签，通过对此进行词频分析，可以发现顾客最关心的依次是：
是否合身：size、fit等相关字眼多次出现且排位靠前质量：good quality、well made；soft and comfortable、fabric是对材质的肯定款式：cute、sexy、like the picture你懂的价格：cheaply made勉强算价格吧，但更多是对商品质量的怀疑口碑：highly recommend，评论的还是非常有参考价值的评论标签的数量较少，进一步对2.4w条评论进行词频分析，并制作成词云：
快夸我底图选得好！
最直观的，仍然是跟“是否合身”以及质量或款式有关。那么我们就从顾客购买商品的Size&Color继续分析
这里，Size&Color的词频数据存在几点问题：1、数据量较少，仅有约6000条2、Size&Color无法较好的区分开，因此一起分析3、商家的命名规则不同，比如同样是黑色款，有个商家会命名black，而有的可能是style1（所以一些奇怪的数字编号其实是商家的款式编号）4、有些奇怪的字眼如trim可能是爬虫时爬错了或者导出csv时的格式错乱可以明显看出：
Size方面：large、medium、small肯定均有涵盖，但另外还有xlarge、xxlarge、xxxlarge，亚马逊主要是欧美顾客，可能体型相对较大，所以商家应该多研发以及备货针对体型较大的顾客的商品。
Color方面：非常直观：Black > red > blue > green > white > purple....所以黑色、红色永远不会错；绿色是出乎我意料的，商家也可以大胆尝试。
Style方面：词频中出现trim、lace字眼，蕾丝最高！！！
最后在分析了Top100的商品信息和2.4w条评论后，作为一篇正经的python数据分析研究，我们来总结一下亚马逊情趣内衣产品和销售策略：
1、一定要注意的竞品
Garmol、ELOVER、Avidlove分别在口碑、定价、产品数量三个方向有其核心优势，是需要重点研究的竞争对手。
2、口碑很重要
Review和星级是影响口碑的重要因素，需要深入研究其算法机制并制定针对性的营销策略Review和星级有基础要求平均星级达4.15分，高于平均分的商家超过一半平均评论数只有193条，高于平均线的商家约三成Review相对淘宝评论较少，亚马逊的算法复杂且惩罚力度大，因此Review重精胜于重多3、定价策略
主流市场竞争激烈，价格多集中在10-20刀间高端市场有切入机会，目前仅ELOVER一家，价格在40-55刀间低端市场价值不大，利润空间小，为了提高曝光或铺量可考虑，但不利于以后冲击中高端市场中高端市场机会巨大，20-40刀区间暂无其他商家，有巨大的市场潜力4、产品策略
应结合目标市场和定价，提高研发和上新能力，先多产品试错，再尝试单一爆款巩固市场内衣尺寸：合身最重要，需贴合国外顾客的体型，一般large及以上。颜色上：保守可多使用黑色、红色，同时可大胆尝试绿色。款式上：多采用蕾丝装饰质量和品控是底线5、拓展&思考：
亚马逊Best Sellers是每小时更新一次，理论上可以每一小时爬一次，看商品的排名变化，是否有新品等 ，可以尝试自动化爬虫；针对上一点，但商品的评论内容并不是经常更新的，如何去重避免重复爬取？（类似于断点续传功能）；此次也有爬取商品图片的链接，可全部下载；在积累一定的图片素材以后，就可以一定程度上看出颜色、甚至是款式的趋势。——————一次完整的数据分析就结束了——————
开发个人网站需要注意哪些问题？
首先你要清楚你开发个人网站是做什么用处的？
如果单纯是作为个人信息等发布，我建议还不如找个主流的BLOG去玩玩，还稳定，还不需要每年支付费用。
因为我本人也是从事计算机的，自己也搞过几个自己的网站，最后都关闭了。
针对你要建个人网站注意事项分析如下：
1、购买合适的域名（建议选择.COM
的）购买域名要去大网站比方说万网之类的，有些小网站第一年卖域名是要便宜点，但是后期付费价格就很高了。所以这个一定要注意。
2、购买虚拟空间还是买云服务器这个要取决于你的网站计划建设规模多大，后期访问量多大。当然经济状况运行的情况下，肯定是租云服务器要好。
3、域名备案，一定要自己备案。有些空间商可以协助你免费备案，但是备案信息里留存的联系方式或者邮箱等都不是你自己的，这个对你后期使用不方便（这个是我亲身的经历）。
4、网站代码是自己开发还是用成品网站代码建站要是自己开发成本就很高了。
现在成品网站代码很多，可以根据自己的需求进行选择，和修改网站模板。
5、网站建好后是否考虑运营，是否追求访问量？如果追求访问量和运营的话，必须的会网络优化就是所谓的SEO，优化好了，通过搜索网站能给你带来不少的访问流量。
发布于 2023-11-29 21:12:01