GoGo闯:【数据分析①】一个例子+Scrapy使用小记

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（抓取百度搜索结果，此处宜横屏浏览，也可以点击左下角“阅读原文”到博客中浏览...）

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：

USER_AGENTS = [

"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",

"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",

.......

]

'''下载中间件设置'''

DOWNLOADER_MIDDLEWARES = {

'tutorial.middlewares.RandomUserAgent': 1,

}

在middlewares.py添加：

class RandomUserAgent(object):

"""Randomly rotate user agents based on a list of predefined ones"""

def __init__(self, agents):

self.agents = agents

@classmethod

def from_crawler(cls, crawler):

return cls(crawler.settings.getlist('USER_AGENTS'))

def process_request(self, request, spider):

#print "**************************" + random.choice(self.agents)

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：

def getCookie():

cookie_list = [

'cookie1', #自己从不同浏览器中获取cookie在添加到这

'cookie2',

......

]

cookie = random.choice(cookie_list)

return cookie

'''设置默认request headers'''

DEFAULT_REQUEST_HEADERS = {

'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',

'Accept-Encoding':'gzip, deflate, sdch',

'Accept-Language':'zh-CN,zh;q=0.8,en;q=0.6',

'Cache-Control':'max-age=0',

'Connection':'keep-alive',

'Host':'www.baidu.com',

'RA-Sid':'7739A016-20140918-030243-3adabf-48f828',

'RA-Ver':'3.0.7',

'Upgrade-Insecure-Requests':'1',

'Cookie':'%s' % getCookie()

}

sittings.py添加其他配置项：

'''下载延时，即下载两个页面的等待时间'''

DOWNLOAD_DELAY = 0.5

'''并发最大值'''

CONCURRENT_REQUESTS = 100

'''对单个网站并发最大值'''

CONCURRENT_REQUESTS_PER_DOMAIN = 100

'''启用AutoThrottle扩展，默认为False'''

AUTOTHROTTLE_ENABLED = False

'''设置下载超时'''

DOWNLOAD_TIMEOUT = 10

'''降低log级别，取消注释则输出抓取详情'''

LOG_LEVEL = 'INFO'

蜘蛛程序：dmoz_spider.py

class DmozSpider(scrapy.Spider):

name = "dmoz"

allowed_domains = ["www.baidu.com"]

# 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']

start_urls = []

for word in open('/Users/sunjian/Desktop/tutorial/tutorial/spiders/word.txt'):

word = word.strip()

url = 'http://www.baidu.com/s?q=&tn=baidulocal&ct=2097152&si=&ie=utf-8&cl=3&wd=%s' % urllib.quote(word)

start_urls.append(url)

def __get_url_query(self, url):

m = re.search("wd=(.*)", url).group(1)

return m

def parse(self,response):

n = 0

for sel in response.xpath('//td[@class="f"]'):

query = urllib.unquote(self.__get_url_query(response.url))

item = DmozItem()

title = re.sub('<[^>]*?>','',sel.xpath('.//a/font[@size="3"]').extract()[0])

lading = sel.xpath('.//a[1]/@href').extract()[0]

time = sel.xpath('.//font[@color="#008000"]/text()').re('(d{4}-d{1,2}-d{1,2})')[0]

size = sel.xpath('.//font[@color="#008000"]/text()').re('(d+K)')[0]

n += 1

item['rank'] = n

item['title'] = title.encode('utf8')

item['lading'] = lading.encode('utf8')

item['time'] = time.encode('utf8')

item['size'] = size.encode('utf8')

item['query'] = query

yield item

抓取数据写入mysql

在piplines.py添加：

class MySQLTutorialPipeline(object):

def __init__(self, dbpool):

self.dbpool = dbpool

@classmethod

def from_settings(cls, settings):

dbargs = dict(

host=settings['MYSQL_HOST'],

db=settings['MYSQL_DBNAME'],

user=settings['MYSQL_USER'],

passwd=settings['MYSQL_PASSWD'],

charset='utf8',

cursorclass = MySQLdb.cursors.DictCursor,

use_unicode= True,

)

dbpool = adbapi.ConnectionPool('MySQLdb', **dbargs)

return cls(dbpool)

#pipeline默认调用

def process_item(self, item, spider):

d = self.dbpool.runInteraction(self._do_upinsert, item, spider)

d.addErrback(self._handle_error, item, spider)

d.addBoth(lambda _: item)

return d

#将每行更新或写入数据库中

def _do_upinsert(self, conn, item, spider):

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']))

#获取url的md5编码

def _get_linkmd5id(self, item):

#url进行md5处理，为避免重复采集设计

return md5(item['address']).hexdigest()

#异常处理

def _handle_error(self, failue, item, spider):

log.err(failure)

在settings.py添加：

MYSQL_HOST = '127.0.0.1'

MYSQL_DBNAME = 'se_rank'

MYSQL_USER = 'root'

MYSQL_PASSWD = ''

ITEM_PIPELINES = {

'tutorial.pipelines.MySQLTutorialPipeline': 400,

}

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：

完整代码已更新到博客，点击左下角“阅读原文”进入。

欢迎关注扫描下图二维码，关注“流量贩子”，可查看历史消息阅读更多优质文章。

微信公众号：流量贩子

扫描上图“识别图中二维码”以快速关注

文章来源：流量贩子公众帐号，扫描上面的二维码关注，干货多多！