在我国,近年来有许多教育专家以及计算机相关领域的专家开始研究历年各地区高考相关数据。然而就目前高考数据集来看,暂无一个较为全面以及准确的数据集,这样就无法做出一个合理的志愿推荐方案。本文就针对目前现状解决高考数据集的不完善,为志愿推荐提供一个趋近全面的高考数据集。本文需要解决的关于数据的问题有两点,一个是从数据的数量上来说,要保证用来训练的数据接近一个真实数量,这样才能减少算法对于数据缺省值的补充。第二个是从数据的质量上来讲,要保证使用的数据不会出现错误。这里的错误主要有两种,一个是针对字符串型数据不会出现错字,另一个是针对数值型数据不会出现数字错误。因此本文通过在各个高校的官网进行数据的采集和解析能够保证数据的全面性和准确性,但同时也有着以下几个方面的困难。首先是这些高校网站结构不同,目前数据采集大多是仅针对某一固定页面或者是固定的域名下的内容,而高考数据分布在不同的学校官网,这些网站的格式不同,域名也不同,针对此问题,之前的爬虫技术以及框架难以解决,因此采用行为模拟策略进行此类数据的采集,之后再进行此类数据的解析工作。第二个是对于采集下来的异构数据需要进行解析工作即将表格型数据的表头与数据库字段进行一一匹配。在工程方面,本设计实现了一个能够进行高考数据采集和解析的系统,提供了辅助验证数据以及辅助处理采集和解析工作的功能。此系统目前已经在服务器部署并运行。