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™。
7 {& J2 J0 [* i. O7 ~& O4 u; T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。

3 e( B  k  r7 {! Y* k; w. N' A0 `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。
( W8 F. d: w5 x+ e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：
) n8 j1 M5 u( M0 v9 f; U1。从候选人中选择一个网址。
2 x0 R0 G% W( x6 F' H2。它下载相关的Web页。
3。它提取物在网页中的URL（超链接）。
2 z% y7 @3 R! `6 S1 M+ N4。它补充说，未曾遇到的候选集的URL
' g+ T+ n  d0 z# O% y9 P4 e方法1：在WEB SAS数据步骤中的代码履带式
! B: b' z6 F$ m7 D  C; ~首先创建一个网址的网站的Web crawler将开始列表。
  R8 ^7 Q# Z6 B  }/ ldata work.links_to_crawl;
6 k& ?! g% [; H$ @length url $256 ;
' x/ l" t& g% J, Qinput url $;
datalines;
http://www.yahoo.com
http://www.madio.net
http://www.google.com
; J/ y  T) V" Y3 q! ^# n;
run
为了确保我们不抓取相同的URL一次以上，持有环节已创建一个数据抓取。
1 t6 n7 Y! ]* o$ a  L( B8 J% \+ z  ^; H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。
5 z# ~4 K# @* G* P4 u" P3 o1 C* {data work.links_crawled;
% _, ]3 }& v  [length url $256;
run;
现在我们开始爬行！该代码需要我们的 work.links_to_crawl数据集的第一个URL。在第一观察“_N_式1”，网址是投入名为 next_url 宏变量，所有剩余的URL放回我们的种子URL数据集，使他们在未来的迭代。
: C3 b+ ~  h! D; t/* pop the next url off */
/ q4 a% }0 ~7 s* p8 n: Z1 f; d5 p2 ]%let next_url = ;
% K( |0 u- D) S; xdata work.links_to_crawl;
' k  @+ {0 ?7 n% Rset work.links_to_crawl;
, E' E% h0 l, J# A5 r" ]7 nif _n_ eq 1 then call symput(“next_url”, url);
else output;
run;
- M1 n# e: l0 |- z现在，从互联网上下载的网址。创建一个文件名​​称 _nexturl 。我们让SAS知道它是一个URL 而且可以发现，AT＆next_url，这是我们的宏观变量，它包含的网址我们从拉 work.links_to_crawl数据集。
6 Q( I5 Z# M* L$ r/* crawl the url */
filename _nexturl url “&next_url”
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。
8 c4 k" s, n& k% {. f/ ]/* put the file we crawled here */
3 j! M! E2 g" f, V' z6 e, ^filename htmlfile “url_file.html”
: k4 F8 @  e0 b7 o+ X2 F# S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 */
) c, }7 M" e$ B7 rdata work._urls(keep=url);
( K* Y+ i7 w+ i1 N+ hlength url $256 ;
" L+ _* N: m  Jfile htmlfile;
infile _nexturl length=len;
input text $varying2000. len;
. B! i' T  {1 Wput text;
start = 1;
stop = length(text);
2 }9 o. Z0 Z5 i9 S使用正则表达式一个网站的网址，以帮助搜索。正则表达式的匹配方法文本字符串，如字，词，或字符模式。 SAS已经提供了许多强大的字符串功能。然而，正则表达式通常会提供一个更简洁的方式，操纵和匹配的文本.
if _n_ = 1 then do;
retain patternID;
; a- i# `* z& Q7 Npattern = ‘/href=”([^"]+)”/i’;
0 r2 b! y* i; }8 T% U, P; ApatternID = prxparse(pattern);
end
9 v5 \3 _: I+ b7 s5 I4 g5 y首次观察到，创建一个patternID将保持整个数据步运行。寻找的模式是： “/href=”([^"]+)”/i’”.，这意味着我们正在寻找字符串“HREF =”“，然后再寻找任何字符串，是至少有一个字符长，不包含引号（“），并结束在引号（”）。在’我’ 目的的手段使用不区分大小写的方法，以配合我们的正则表达式。
As a result, the Web crawler will find these types of strings:
; B6 V+ X' u% X$ {$ _5 fhref=”sgf/2010/papers.html”
' t- S  S  M+ r* Ihref=”www.yahoo.com”
HREF=”www.google.com”
; d7 e) a% b1 \( Q0 {# XhReF=”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。
. y9 k8 ]: H9 A+ D0 F1 jcall 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。
/ ~% H$ _' O5 I9 c2 A- qdo while (position ^= 0);
) F, |9 `$ e6 x: r1 ^' l+ Lurl = substr(text, position+6, length-7);
' p1 j2 z2 z  |  v0 m+ F0 zoutput;
call prxnext(patternID, start, stop, text, position, length);
" W) p  w; U. d4 y  _2 a) Rend;
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 */
7 [8 c6 T. e& v& Sdata work._old_link;
) v) }* K2 i6 r# i3 ~" A, f7 uurl = “&next_url”;
% v- H6 z1 Q( m8 L+ {% rrun;
proc append base=work.links_crawled data=work._old_link force;
run;
+ Z  A. G* ?' P5 B, R* l) M/ Y下一步是在数据集 work._urls 的过程中发现的网址列表，以确保：
, h6 o$ r) u* g: E/ z6 a) |1。我们尚未抓取他们，换句话说URL是不是在 work.links_crawled）。
2。我们没有排队抓取的URL（网址换句话说，是不是在work.links_to_crawl ）。
0 Z0 a1 h% g2 I) x8 J3 U5 X/*
1 ]3 N+ O3 Q2 V& F0 r* K2 q* only add urls that we have not already crawled
% n. T, c" U0 x: L* or that are not queued up to be crawled
*
*/
, f' @. L6 j5 H: Cproc sql noprint;
create table work._append as
5 n( N: o9 r  `select url
from work._urls
where url not in (select url from work.links_crawled)
9 F: c7 ^6 }$ V; Hand url not in (select url from work.links_to_crawl);
- s4 N/ a/ {: |+ X" jquit;
7 @* y5 {1 ?0 R, [( D$ \( h4 z( E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。
& q3 S- Z  i/ n4 `+ B/* add new links */
proc append base=work.links_to_crawl data=work._append force;
run;
) P, X8 P: X7 i$ S0 t' f& g$ q# }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
( u! \- |$ T" r8 b7 ~8 x" D/ N