网络爬虫—利用SAS抓取网页方法

厚积薄发

万维网过多的信息，股票报价，电影评论，市场价格趋势话题，几乎所有的东西，可以发现在点击一个按钮。在分析数据中发现，许多SAS用户感兴趣在网络上，但你得到这个数据的SAS环境呢？有很多方法，如 SAS数据步骤中的代码在设计你自己的网络爬虫或利用SAS％TMFILTER宏 ® 文本挖掘。在本文中，我们将审查一个网络爬虫的总体架构。我们将讨论获得网站的方法到SAS的信息，以及审查内部所谓的SAS搜索从实验项目的实验代码管道。我们也将提供咨询如何轻松定制一个网络爬虫，以适应个性化需求，以及如何具体的数据导入到SAS ® 企业矿工™。
. y- l4 x4 `- \7 c2 u) g( [* ]简介：互联网已经成为一个有用的信息来源。通常是Web上的数据，我们要使用内的SAS，所以我们需要找到一种方式来获得这个数据。最好的办法是使用一个网络爬虫。 SAS提供几个从Web爬行和提取信息的方法。您可以使用基本的SAS数据步骤中的代码，或SAS文本矿工的％TMFILTER宏。虽然目前无法使用，SAS搜索管道将是一个功能强大的Web爬行产品，并提供更多的工具，网络爬行。每种方法都有其优点和缺点，所以取决于你想实现抓取的，它是最好对其进行审查。

6 `* o% K% m5 L0 ?) v: N首先，重要的是要了解网络爬虫是如何工作的。你应该熟悉数据步骤的代码，宏，和SAS过程PROC SQL，然后再继续。
+ h: e; M6 a' X网络爬虫概述：一个网络爬虫是一个程序，一个或多个起始地址作为“种子URL”，下载网站这些URL相关的网页，在网页中包含的任何超链接提取，并递归地继​​续这些超链接标识下载Web页。从概念上讲，网络爬虫是很简单的。
一个Web 履带式有四项职责：
1。从候选人中选择一个网址。
! `% k, S9 L, {: O2 q- p% e2。它下载相关的Web页。
" D8 }2 a% H# V) f8 s8 ]3。它提取物在网页中的URL（超链接）。
; s9 O5 A$ }( d! _4。它补充说，未曾遇到的候选集的URL
方法1：在WEB SAS数据步骤中的代码履带式
$ x3 N' X+ j5 F' Q首先创建一个网址的网站的Web crawler将开始列表。
1 n9 r# v2 Q' e9 d0 ydata work.links_to_crawl;
  K/ H$ B: }& F  V' A) G/ m7 ilength url $256 ;
input url $;
: o  P/ V- k8 w& u& a$ w+ |0 ^. a3 Ddatalines;
; G& w! d. ?% L' Xhttp://www.yahoo.com
http://www.madio.net
- i# W; ~) F4 Z' M  c0 dhttp://www.google.com
$ O% w! g7 E. C* B# y5 u. ^% q;
& p3 e1 N1 t2 N- T2 \3 Q+ X# r$ n( brun
  a2 [( c! R# t# Q( c0 t* |为了确保我们不抓取相同的URL一次以上，持有环节已创建一个数据抓取。
2 T% p: x4 {3 f) y1 W2 w2 {当Web数据集将在开始时是空的，但一个网站的网址将被添加到数据集履带式完成抓取该网站。
data work.links_crawled;
length url $256;
3 l6 l+ b" ]; V& F3 |. |5 Erun;
* W; D7 Y8 [" V( H( h# I现在我们开始爬行！该代码需要我们的 work.links_to_crawl数据集的第一个URL。在第一观察“_N_式1”，网址是投入名为 next_url 宏变量，所有剩余的URL放回我们的种子URL数据集，使他们在未来的迭代。
/* pop the next url off */
! f3 p; E4 [, o0 U  H3 m%let next_url = ;
data work.links_to_crawl;
3 k. @1 }% @5 @0 H7 Rset work.links_to_crawl;
' X9 H# Q( K  V3 Jif _n_ eq 1 then call symput(“next_url”, url);
else output;
run;
+ l7 \! ^/ }5 @- |) ~现在，从互联网上下载的网址。创建一个文件名​​称 _nexturl 。我们让SAS知道它是一个URL 而且可以发现，AT＆next_url，这是我们的宏观变量，它包含的网址我们从拉 work.links_to_crawl数据集。
/* crawl the url */
filename _nexturl url “&next_url”
3 V2 ]( |! Z: J5 }建立后的文件名​​的URL参考，确定一个地方把我们下载的文件。创建另一个文件名​​引用所谓 htmlfilm的条目，并在那里把从 url_file.html收集到的信息。
/* put the file we crawled here */
filename htmlfile “url_file.html”
接下来，我们通过数据的循环，把它写htmlfilm的条目文件名​​参考，并寻找更多的网址添加到我们的 work.links_to_crawl数据集。
/* find more urls */
data work._urls(keep=url);
* }) r; z1 J) T: Plength url $256 ;
6 H, ^- z9 V* F) Vfile htmlfile;
infile _nexturl length=len;
3 _. X% R% V, D  [input text $varying2000. len;
put text;
start = 1;
7 ]5 a1 a+ z& F+ g3 Z6 Kstop = length(text);
' H2 D% M9 Z# M使用正则表达式一个网站的网址，以帮助搜索。正则表达式的匹配方法文本字符串，如字，词，或字符模式。 SAS已经提供了许多强大的字符串功能。然而，正则表达式通常会提供一个更简洁的方式，操纵和匹配的文本.
if _n_ = 1 then do;
) P5 q; K2 @6 T4 H0 I* E+ Cretain patternID;
pattern = ‘/href=”([^"]+)”/i’;
* X( s1 D# c1 e/ ~patternID = prxparse(pattern);
end
! J8 Q# X' T) P7 f+ i0 j/ r2 B" v首次观察到，创建一个patternID将保持整个数据步运行。寻找的模式是： “/href=”([^"]+)”/i’”.，这意味着我们正在寻找字符串“HREF =”“，然后再寻找任何字符串，是至少有一个字符长，不包含引号（“），并结束在引号（”）。在’我’ 目的的手段使用不区分大小写的方法，以配合我们的正则表达式。
# H- v8 h+ W# F: L) y  ]As a result, the Web crawler will find these types of strings:
href=”sgf/2010/papers.html”
  U" b2 m7 l: h* h. w& y# Uhref=”www.yahoo.com”
3 m4 J7 G; D  I9 {HREF=”www.google.com”
hReF=”http://www.madio.net”
现在正则表达式匹配的一个网站上的文字。 PRXNEXT需要五个参数：正则表达式我们要寻找，寻找开始寻找正则表达式的开始位置，结束位置停止正则表达式，一旦发现字符串中的位置，而字符串的长度，如果发现的位置将是0，如果没有找到字符串。 PRXNEXT也改变了开始的参数，使搜索重新开始后的最后一场比赛是发现。
call prxnext(patternID, start, stop, text, position, length);
代码中的循环，在网站上找到的所有环节显示的文本。
( f/ d" ?- b8 Vdo while (position ^= 0);
) ]& |5 N3 q7 Y9 K- vurl = substr(text, position+6, length-7);
output;
call prxnext(patternID, start, stop, text, position, length);
% }) H) T4 u; I; C( p$ C+ Jend;
run;
如果代码发现一个网址，它会检索唯一的URL的一部分，启动后的第一个引号。例如，如果代码中发现的HREF =“http://www.new-site.com”，那么它应该保持 http://www.new-site.com 。使用 substr到删除前的6个字符和最后一个字符的URL的其余部分输出的work._urls 数据集。现在，我们插入的URL代码只是以跟踪抓取到一个数据集名为 work.links_crawled 我们已经和确保我们不再次浏览有。
/* add the current link to the list of urls we have already crawled */
6 t2 r8 C5 V1 sdata work._old_link;
" M- t' i: Y. A& j7 E* X  @url = “&next_url”;
3 o3 |8 j: @6 g* K- Z" q* Frun;
1 h' F/ y( a7 z+ e0 cproc append base=work.links_crawled data=work._old_link force;
5 Q7 \5 D7 N: @  _- P7 I& @, |' c2 Orun;
下一步是在数据集 work._urls 的过程中发现的网址列表，以确保：
* W& @2 e3 j8 J0 U$ D8 k" S1。我们尚未抓取他们，换句话说URL是不是在 work.links_crawled）。
3 s; Q* u4 Z7 o5 ?* j/ `- R9 z2。我们没有排队抓取的URL（网址换句话说，是不是在work.links_to_crawl ）。
3 T( t) ^+ T$ y% t( F6 g$ b5 i/*
* only add urls that we have not already crawled
& T9 ~  \1 V, B* or that are not queued up to be crawled
*
*/
: h8 L4 G; |# e# x; M& Vproc sql noprint;
create table work._append as
select url
8 P7 L4 `6 {) vfrom work._urls
where url not in (select url from work.links_crawled)
9 h+ O" v7 E( o+ |and url not in (select url from work.links_to_crawl);
- `: a8 G2 [2 b6 @quit;
然后，我们添加网址还没有被抓取，而不是已经排队 work.links_to_crawl数据集。
! K9 S' x. ~- K$ T/* add new links */
proc append base=work.links_to_crawl data=work._append force;
run;
此时的代码循环回到开始劫掠 work.links_to_crawl数据集的下一个URL。

叶纯萱

留个脚印

snowmanPeter

值得一看