- A+
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
<div class="des"> <h1 class="mb_10">玉渊潭樱花节</h1> <p class="address mb_5"><em class="c_999">地 址：</em></p> <p class="othmes"> <span class="t1"><em class="c_999">游玩时间：</em>预计<b class="c_f80">4小时</b></span> </p> </div>
可以通过<b class="c_f80">..</b>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
注：也可以用requests和lxml的方式抓取。
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：
- Scrapy官方文档
- young-hz的Scrapy教程系列
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。
文章来源：张亚楠博客http://www.zhidaow.com/post/python-seo1
