自动外链工具 在线排版工具 搜索引擎提交入口 wordpress主题推荐 批量打开网址工具 【老域名购买】 思享SEO导航 【网站合作】

Scrapy抓取百度搜索结果页排名

309

掌握多少知识,就能抓住多少机会。“知识”来源于“信息”的提炼,而“信息”来源于“数据”的分析。从“数据”→“信息”→“知识”→“智慧”是一步步转化而来。

想从互联网领域中学习什么东西,不同于学校,老师可以直接给予学生现成的知识。互联网高速发展、不易预测的特性,导致大部分信息仍处于未知的状态,没有多少人会告诉你有什么信息、有什么知识。很多信息还躺在一坨坨数据中等待被分析出来。

所以我觉得,在互联网行业中,数据获取与分析是如同沟通表达、时间管理一样的通用型技能,是可以不受职能控制而进行转移。

数据可以通过交换、购买、API等方式来获得,但如果其他人都没有,那就只能自己去找数据,然后分析出信息,提炼出知识。

举个例子,曾经为了分析排在百度首页的网页都有什么共同特征,自己指定了几个可能影响排名的因素:网页大小、下载速度、网页链接数量、正文字数、url的目录层级、query在正文的出现次数、query分词后的词项在正文中的出现次数、query在title中的出现次数等十几个指标,拿了5000个长尾词跑百度搜索结果,把前5页出现的网页全部抓下来,跑出前面指定的十几个指标对应的数据,然后分析所处不同分页的网页(每个分页个5万个样本),在指标上有什么明显的规律。

以上是获取数据,对数据分析后发现:

1、排在第一页的结果,平均正文字数500,第二页~第五页的结果依次递减;

2、排在第一页的结果,平均网页包含的链接数量130,第二页~第五页的结果依次递增;

3、其他指标,在所有分页中均无明显波动。

 

以上是信息,对信息进行提炼,形成知识:

1、网页正文字数和网页包含的链接会影响长尾词的排名

2、覆盖长尾词的页面,保证正文字数控制在500字以上,网页中包含的链接控制在130以下,会提高网页出现在百度首页的概率

 

当然,真实的网页排序因素远比这个复杂多得多,除了以上两点肯定还要同时满足多个条件才能出现在首页。

另外,还需注意获取的数据的可靠性和公正性,可靠性是数据能不能推导出正确的结论;公正性是这个数据是不是公平的。

还是上面的例子,如果换成5000个热词,那计算出来的结果就不可靠也不公正。因为百度是一个商业搜索引擎,而在长尾词上,百度会相对不那么商业。

做流量的,很多数据得需要自己去抓,抓取就要用到爬虫。花了几天时间体验了下python的Scrapy,感觉不错,是一个高性能、易上手、健壮稳定、可高度定制、可分布的爬虫框架。

作为一个成熟的爬虫框架,肯定比自己现手写一个爬虫要来的快的多,而相比火车头,它能实现火车头实现不了的功能,比如上面说的例子。

下面是Scrapy的使用小记

项目构成:

scrapy.cfg:项目配置文件

items.py:存放抓取数据的

pipelines.py:处理抓取数据的

settings.py:爬虫配置文件,有现成的API,可添加各种防ban策略

middlewares.py:中间件

dmoz_spider.py:爬虫程序

参照官方文档和Google写了个抓取百度排名的程序,上手后,在配置速度比火车头还要快一些。

考虑百度封闭爬虫比较严,需要一些防屏蔽策略,采用如下方法实现:

1、轮换出口IP

用scrapinghub提供的代理,因为是国外的IP,所以访问百度比国内要慢一些,但是提供的代理很稳定,方便配置,且免费,貌似没有使用次数的限制。

在sittings.py中添加:

'''crawlera账号、密码'''

CRAWLERA_ENABLED = True
CRAWLERA_USER = '账号'
CRAWLERA_PASS = '密码'


'''下载中间件设置'''

DOWNLOADER_MIDDLEWARES = {
'scrapy_crawlera.CrawleraMiddleware': 600
}

 

2、轮换UA

在sittings.py添加:

  1. USER_AGENTS = [  
  2.     "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",  
  3.     "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",  
  4. .......  
  5. ]  
  6. '''下载中间件设置'''  
  7. DOWNLOADER_MIDDLEWARES = {  
  8.     'tutorial.middlewares.RandomUserAgent': 1,  
  9. }  

在middlewares.py添加:

  1. class RandomUserAgent(object):"""Randomly rotate user agents based on a list of predefined ones"""def __init__(self, agents):  
  2.     self.agents = agents@classmethoddef from_crawler(cls, crawler):  
  3.     return cls(crawler.settings.getlist('USER_AGENTS'))def process_request(self, request, spider):  
  4.     #print "**************************" + random.choice(self.agents)  
  5.     request.headers.setdefault('User-Agent',   random.choice(self.agents))  

3、轮换Cookie,并完全模拟浏览器请求头

在sittings.py添加:

  1. def getCookie():  
  2.     cookie_list = [  
  3.         'cookie1', #自己从不同浏览器中获取cookie在添加到这  
  4.         'cookie2',  
  5.         ......  
  6. ]  
  7.     cookie = random.choice(cookie_list)  
  8.     return cookie  
  9.   
  10. '''设置默认request headers'''  
  11.   
  12. DEFAULT_REQUEST_HEADERS = {   'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',  
  13.     'Accept-Encoding':'gzip, deflate, sdch',  
  14.     'Accept-Language':'zh-CN,zh;q=0.8,en;q=0.6',  
  15.     'Cache-Control':'max-age=0',  
  16.     'Connection':'keep-alive',  
  17.     'Host':'www.baidu.com',  
  18.     'RA-Sid':'7739A016-20140918-030243-3adabf-48f828',  
  19.     'RA-Ver':'3.0.7',  
  20.     'Upgrade-Insecure-Requests':'1',  
  21.     'Cookie':'%s' % getCookie()  
  22. }  

sittings.py添加其他配置项:

  1. '''下载延时,即下载两个页面的等待时间'''  
  2. DOWNLOAD_DELAY = 0.5  
  3.   
  4. '''并发最大值'''  
  5. CONCURRENT_REQUESTS = 100  
  6.   
  7. '''对单个网站并发最大值'''  
  8. CONCURRENT_REQUESTS_PER_DOMAIN = 100  
  9.   
  10. '''启用AutoThrottle扩展,默认为False'''  
  11. AUTOTHROTTLE_ENABLED = False  
  12.   
  13. '''设置下载超时'''  
  14. DOWNLOAD_TIMEOUT = 10  
  15.   
  16. '''降低log级别,取消注释则输出抓取详情'''  
  17. LOG_LEVEL = 'INFO'  

蜘蛛程序:dmoz_spider.py

  1. class DmozSpider(scrapy.Spider):  
  2.     name = "dmoz"  
  3.     allowed_domains = ["www.baidu.com"]  
  4.   
  5.     # start_urls = ['http://www.baidu.com/s?q=&tn=baidulocal&ct=2097152&si=&ie=utf-8&cl=3&wd=seo%E5%9F%B9%E8%AE%AD']  
  6.   
  7.     start_urls = []  
  8.     for word in open('/Users/sunjian/Desktop/tutorial/tutorial/spiders/word.txt'):  
  9.         word = word.strip()  
  10.         url = 'http://www.baidu.com/s?q=&tn=baidulocal&ct=2097152&si=&ie=utf-8&cl=3&wd=%s' % urllib.quote(word)   
  11.         start_urls.append(url)  
  12.   
  13.     def __get_url_query(self, url):  
  14.             m =  re.search("wd=(.*)", url).group(1)  
  15.             return m  
  16.   
  17.     def parse(self,response):  
  18.             n = 0  
  19.   
  20.             for sel in response.xpath('//td[@class="f"]'):  
  21.   
  22.                 query = urllib.unquote(self.__get_url_query(response.url))  
  23.   
  24.                 item = DmozItem()  
  25.   
  26.                 title = re.sub('<[^>]*?>','',sel.xpath('.//a/font[@size="3"]').extract()[0])  
  27.                 lading = sel.xpath('.//a[1]/@href').extract()[0]  
  28.                 time = sel.xpath('.//font[@color="#008000"]/text()').re('(\d{4}-\d{1,2}-\d{1,2})')[0]  
  29.                 size = sel.xpath('.//font[@color="#008000"]/text()').re('(\d+K)')[0]  
  30.   
  31.                 n += 1  
  32.   
  33.                 item['rank'] = n  
  34.         item['title'] = title.encode('utf8')  
  35.         item['lading'] = lading.encode('utf8')  
  36.         item['time'] = time.encode('utf8')  
  37.         item['size'] = size.encode('utf8')  
  38.         item['query'] = query  
  39.   
  40.         yield item  

抓取数据写入mysql

在piplines.py添加:

  1. class MySQLTutorialPipeline(object):  
  2.     def __init__(self, dbpool):  
  3.         self.dbpool = dbpool  
  4.       
  5.     @classmethod  
  6.     def from_settings(cls, settings):  
  7.         dbargs = dict(  
  8.             host=settings['MYSQL_HOST'],  
  9.             db=settings['MYSQL_DBNAME'],  
  10.             user=settings['MYSQL_USER'],  
  11.             passwd=settings['MYSQL_PASSWD'],  
  12.             charset='utf8',  
  13.             cursorclass = MySQLdb.cursors.DictCursor,  
  14.             use_unicode= True,  
  15.         )  
  16.         dbpool = adbapi.ConnectionPool('MySQLdb', **dbargs)  
  17.         return cls(dbpool)  
  18.   
  19.     #pipeline默认调用  
  20.     def process_item(self, item, spider):  
  21.         d = self.dbpool.runInteraction(self._do_upinsert, item, spider)  
  22.         d.addErrback(self._handle_error, item, spider)  
  23.         d.addBoth(lambda _: item)  
  24.         return d  
  25.   
  26.     #将每行更新或写入数据库中  
  27.     def _do_upinsert(self, conn, item, spider):  
  28.         conn.execute(""" INSERT INTO baidu_pc_rank VALUES ('%s','%s','%s','%s','%s','%s') """ % (item['rank'],item['title'],item['lading'],item['time'],item['size'],item['query']))  
  29.     #获取url的md5编码  
  30.     def _get_linkmd5id(self, item):  
  31.         #url进行md5处理,为避免重复采集设计  
  32.         return md5(item['address']).hexdigest()  
  33.     #异常处理  
  34.     def _handle_error(self, failue, item, spider):  
  35.         log.err(failure)  

在settings.py添加:

  1. MYSQL_HOST = '127.0.0.1'  
  2. MYSQL_DBNAME = 'se_rank'  
  3. MYSQL_USER = 'root'  
  4. MYSQL_PASSWD = ''  
  5.   
  6. ITEM_PIPELINES = {  
  7. 'tutorial.pipelines.MySQLTutorialPipeline': 400,  
  8. }  

运行爬虫:

每分钟抓300左右个页面,在速度上仍有很大提升空间,起码要用国内代理速度会快很多。以上防ban功能适用于所有网站,再抓另一个网站只要做对应修改便可。

抓取数据写入mysql情况:

 

本文来源:【Scrapy抓取百度搜索结果页排名
思享SEO博客编辑转载,仅用于参考学习,如有侵权请联系本站修改删除!
seo培训评论广告

抢沙发

昵称*

邮箱*

网址