1. 本系列前言
一直想写Python与SEO的系列文章,因为随着SEO工作的开展,以及自身Python水平的提高,Python在SEO中的应用越来越多,使用的范畴也越来越广。
本系列暂时计划分为几个主题,将在近几周完成:
数据采集
关键词拓展
数据系统
工具篇
适用人群:具有Python基础的SEOer(没有Python基础的直接往下拉,看推荐的Python教程)。
2. SEO与数据采集
SEO工作离不开数据采集。获取某个频道所有URL,查询一批网页的收录/排名情况,采集竞争对手的特定数据,都需要用到数据采集。
特别是对个人站长来说,只有通过数据采集才能获得大量数据,并生成网页。
3. 原始爬虫
最原始的爬虫爬虫可以只是发送一个HTTP请求,并获取返回的响应数据,使用Requests三行就可以写出一个简单的爬虫,代码如下:
import requests
r = requests.get('http://www.zhidaow.com')
print r.content
注:
关于Requests的入门教程可以看我这篇文章;
除了Requests,还可以使用python标准库urllib, urllib2。
4. 高级爬虫
给原始爬虫升级几个技能就可以投入使用了,我经常升级以下几个功能。
4.1 获取特定字段: BeautifulSoup+Requests
BeautifulSoup可以将HTML解析为DOM树,然后获取特定字段。关于BeautifulSoup的详细内容可以看这篇文章,这里只举一个简单的例子。
以下是途牛某游玩页面的部分代码
玉渊潭樱花节
地 址:
游玩时间:预计4小时
可以通过..这个特征来获取4小时这个字段:
import requests
from bs4 import BeautifulSoup as bs
url = 'http://www.tuniu.com/play/9232/'
r = requests.get(url)
soup = bs(r.content)
print soup.find('b', class_='c_f80').string
#输出字段有空格,可以通过strip()函数来过滤多余的空格和换行
4.2 使用代理
为避免屏蔽,抓取时通常需要代理,使用Requests的proxies参数可以实现这个效果。接上面代码:
proxies = {
"http": "http://10.10.1.10:3128",
"https": "http://10.10.1.10:1080",
}
r = requests.get(url, proxies=proxies)
如果代理需要账户和密码,则需这样:
proxies = {
"http": "http://user:pass@10.10.1.10:3128/",
}
4.3 模拟百度蜘蛛
抓取时模拟搜索引擎蜘蛛是个好主意,这里就以User-Agent试图模仿百度蜘蛛去抓取:
headers = {
'User-Agent': 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)',
}
r = requests.get(url, headers=headers)
4.4 多线程抓取
为了提高抓取速度,一般都会采用多线程的方式去抓取,我在这篇文章中采用了第三方库threadpool的形式实现了多线程。在这里我采用另外一种形式,用标准库multiprocessing来实现:
import requests
from bs4 import BeautifulSoup as bs
from multiprocessing.dummy import Pool as ThreadPool
#URL列表
urls = [
'http://www.tuniu.com/play/9232/',
'http://www.tuniu.com/play/9231/',
'http://www.tuniu.com/play/9237/',
'http://www.tuniu.com/play/9234/',
# etc..
]
#提取字段函数
def get_play_time(url):
r = requests.get(url)
soup = bs(r.content)
print soup.find('b', class_='c_f80').string.strip()
#设置线程数
pool = ThreadPool(4)
#开启多线程
results = pool.map(get_play_time, urls)
#关闭线程并等待结束
pool.close()
pool.join()
注:这个多线程的实现主要参考了这篇文章。
4.5 requests+正则
有时候如果所需字段出现在JS等DOM树之外,可以直接使用正则的方式获取,有时候速度反而会更快一点。
4.6 抓取网页JS内容
很多网站会将重点内容放在JS中,增加了抓取的难度。这种可以通过Selenium+PhantomJS+Xpath的方式抓取。
5. 终极爬虫
终极爬虫就属Scrapy了。Scrapy可以理解为搜索引擎爬虫的雏形,可以沿着初始URL列表进行抓取,并且可以设置抓取深度,抓取字段,抓取URL,抓取频率等等。
另外,还可以加入随机代理,随机UA,分布式抓取,入库等高级功能,并且还可以与selenium结合对JS生成的元素进行抓取。很多比价网站都是用Scrapy做商城爬虫,Scrapy也是爬虫工程师的必备技能之一。
我对官方教程里的基础示例做了修改,示范下基础爬虫的代码:
import scrapy
class TuniuSpider(scrapy.Spider):
name = 'tuniu' # 设置爬虫名称,这里没卵用
start_urls = ['http://www.tuniu.com/guide/d-beijing-200/jingdian/'] # 设置初始抓取链接
def parse(self, response):
for href in response.css('.mgl_pic a::attr(href)'): # 用CSS提取链接,也可以用xpath,beautifulsoup提取
yield scrapy.Request(href.extract(), callback=self.parse_poi) # 提出的链接用parse_poi函数处理
def parse_poi(self, response):
yield {
'name': response.css('h1 a::text').extract()[0], # 用CSS规则从网页中提取字段
'english': response.css('.english::text').extract()[0],
}
之后就可以使用scrapy runspider tuniu_spider.py -o tuniu_poi.json进行抓取了。
推荐教程:
注:Scrapy依赖很多其他库,如lxml,Twist,所以安装起来会比较麻烦,之后可能会单独写一篇文章讲Scrapy。
6. Python教程推荐
入门教程:笨方法学Python(练习中学习,很快有成就感)
基础学习:《Python核心编程》,或者其他系统讲解Python原理及标准库的书
进阶学习:《Python Cookbook》
熟读资料:Python文档
7. 备注
Python只是抓取工具,火车头也是一款不错的抓取工具,我跟隔壁小伙伴培训就是讲的火车头采集,界面简单,容易上手;
题图为SEO的一生,版权在图片上。