python与seo应用_Python在我SEO工作中的应用一 - 数据采集

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。