查看: 4091|回复: 2

网络爬虫—利用SAS抓取网页方法

[复制链接]

字体大小: 正常放大

厚积薄发

1341 主题	738 听众	2万积分

数学中国总编辑

TA的每日心情

	衰 2016-11-18 10:46

签到天数: 206 天

[LV.7]常住居民III

超级版主

群组: 2011年第一期数学建模

群组: 第一期sas基础实训课堂

群组: 第二届数模基础实训

群组: 2012第二期MCM/ICM优秀

群组: MCM优秀论文解析专题

电梯直达

1^#

发表于 2012-2-27 15:19 |只看该作者 |倒序浏览

|招呼Ta 关注Ta |邮箱已经成功绑定

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™。
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。

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。
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。
2。它下载相关的Web页。
3。它提取物在网页中的URL（超链接）。
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
首先创建一个网址的网站的Web crawler将开始列表。
data work.links_to_crawl;
length url $256 ;
input url $;
datalines;
http://www.yahoo.com
http://www.madio.net
http://www.google.com
;
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。
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;
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。
/* pop the next url off */
%let next_url = ;
data work.links_to_crawl;
set work.links_to_crawl;
if _n_ eq 1 then call symput(“next_url”, url);
else output;
run;
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”
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);
length url $256 ;
file htmlfile;
infile _nexturl length=len;
input text $varying2000. len;
put text;
start = 1;
stop = length(text);
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;
pattern = ‘/href=”([^"]+)”/i’;
patternID = prxparse(pattern);
end
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:
href=”sgf/2010/papers.html”
href=”www.yahoo.com”
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。
do while (position ^= 0);
url = substr(text, position+6, length-7);
output;
call prxnext(patternID, start, stop, text, position, length);
end;
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 */
data work._old_link;
url = “&next_url”;
run;
proc append base=work.links_crawled data=work._old_link force;
run;
下一步是在数据集 work._urls 的过程中发现的网址列表，以确保：
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 ）。
/*
* only add urls that we have not already crawled
* or that are not queued up to be crawled
*
*/
proc sql noprint;
create table work._append as
select url
from work._urls
where url not in (select url from work.links_crawled)
and url not in (select url from work.links_to_crawl);
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。
/* 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。

zan

网络, 网页