这个问题有点宽，不同的数据源的收集方式可能不一样。当前互联网是重要的数据来源，除了目标网站公开的API或者下载地址以外，最重要的数据收集方法就是网络爬虫了，集搜客网络爬虫的直观标注操作方式，可以让研究者都能用上爬虫软件。当前，集搜客社区正在整理各种主要的数据集，大家可以一起来参与。