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™。
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。
  A' P: v/ Z. X  t' {
, J4 D' o5 u/ Z  a* 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。
' y" d9 e) U' E3 o2 O+ ?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。
  i4 u7 @; ~, `6 t1 ?- A; ]/ ~一个Web 履带式有四项职责：
- t- x. g- q! s* R+ I$ Z1。从候选人中选择一个网址。
( I/ A7 j( b% w0 N: ~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
; f9 I. t1 j: L0 u5 x( _7 e方法1：在WEB SAS数据步骤中的代码履带式
% i! q2 B1 a' N' @% F/ |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 $256 ;
& U) u$ Y! r' X; W1 p$ `input url $;
5 C1 E& t* b" w5 a/ o! |: ]datalines;
http://www.yahoo.com
7 g0 O: Y; j: J1 [6 \7 i+ F1 T: ?& thttp://www.madio.net
http://www.google.com
& T0 j- G6 a& m* h  F, S" z;
2 B- S9 P2 W% u- v$ Q7 `1 drun
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。
1 y/ E. X/ j7 ~5 cdata work.links_crawled;
length url $256;
run;
现在我们开始爬行！该代码需要我们的 work.links_to_crawl数据集的第一个URL。在第一观察“_N_式1”，网址是投入名为 next_url 宏变量，所有剩余的URL放回我们的种子URL数据集，使他们在未来的迭代。
/* pop the next url off */
( }; H, y" i0 S1 k' h' i6 }$ z%let next_url = ;
data work.links_to_crawl;
set work.links_to_crawl;
! f3 w. h2 V$ y: w5 vif _n_ eq 1 then call symput(“next_url”, url);
- ~7 o5 X; M' g- r) E% v& [, D; s/ k1 Z; Qelse output;
run;
$ \5 ~4 i/ U3 V( v/ r% w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。
$ N- h5 a+ }9 p0 J/* 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。
4 J9 q; r0 T# }2 u  I0 g! {& S3 k3 M/* put the file we crawled here */
6 @$ X" u7 y3 Hfilename 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 $256 ;
% }$ N! a6 s- L# Jfile htmlfile;
infile _nexturl length=len;
" C% k5 H7 _" I0 [! E6 Tinput text $varying2000. len;
put text;
; Y5 {' K* y4 \) b7 O5 Hstart = 1;
stop = length(text);
" I/ ]5 ?/ l' K; n7 H1 P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;
! P' Z8 ^0 d/ U: vpattern = ‘/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”
8 Q# g$ l6 H+ Y/ Fhref=”www.yahoo.com”
, P% _% @: {, ]3 ~# T2 ]HREF=”www.google.com”
% T. n9 e5 o1 Z8 N9 thReF=”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。
6 q/ o) _* n3 ~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);
' ?( H9 @: ?; r6 j# B/ Durl = substr(text, position+6, length-7);
output;
9 t+ W* u9 y% W' m6 F) `call prxnext(patternID, start, stop, text, position, length);
4 n: q: p) Q8 W( w. v# _end;
2 A7 y; N) D: U4 }6 }& Zrun;
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。
# L5 V0 p. C) d" G/* add the current link to the list of urls we have already crawled */
% U. Z, P2 _, g  h9 U" ydata work._old_link;
url = “&next_url”;
% e/ `9 E- e4 P* n5 y; o# d) ?run;
proc append base=work.links_crawled data=work._old_link force;
run;
9 z) _: k' g  s! \! W* z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 h* N& T0 Y. N' k, E4 Y1。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
*
*/
9 S- \/ m" D, q2 V# h0 F2 Q. ~proc sql noprint;
create table work._append as
6 C6 F0 ?) Y4 yselect url
# s9 Z; e/ Q7 {  M+ l$ ^from work._urls
9 `  d9 i* N8 e# B6 V3 S1 r1 ewhere url not in (select url from work.links_crawled)
$ I  h' M7 `% I, Xand url not in (select url from work.links_to_crawl);
6 }# Y0 K2 |) I. m) Wquit;
  C% T, _1 @, E  J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 */
, q  _7 ^9 n: D( }( h& W8 H8 \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
% O$ t/ B1 G9 E& e; r% q1 r