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™。
/ }( G! ?8 N% n! _' a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。
& }( M- u' O! ?5 t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：
* H) T# O7 I5 F2 |; m( Q' E- Z% F1。从候选人中选择一个网址。
2。它下载相关的Web页。
. E" V, }  h3 O# g! D2 i5 `  t7 Z3。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
! C) H  n1 r- ?" c首先创建一个网址的网站的Web crawler将开始列表。
data work.links_to_crawl;
* b& p6 C5 M; T0 z' ~' S; C) zlength url $256 ;
input url $;
; [2 V* N& b% Qdatalines;
' v; d3 k8 `+ @, P- A$ g- lhttp://www.yahoo.com
http://www.madio.net
http://www.google.com
+ U8 G- O+ s. T+ p( [; d;
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。
9 Y: L( l2 I  N. E+ W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;
$ l: [, K, ~) Y! E; Q, D* P( xrun;
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 */
/ |& @0 i( M3 x8 D/ ^%let next_url = ;
data work.links_to_crawl;
set work.links_to_crawl;
4 j; f% q/ s5 X  d# ~if _n_ eq 1 then call symput(“next_url”, url);
else output;
run;
6 G% z4 R3 M0 E- @  E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”
; h, F( W% h: n8 |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。
) A9 |: f* t8 K3 Y, A/* put the file we crawled here */
" w5 W- ^+ D7 f3 V% c* sfilename 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 */
) X* R: q$ b. ]/ F5 ~, L" c3 gdata work._urls(keep=url);
length url $256 ;
file htmlfile;
infile _nexturl length=len;
8 F1 ^8 F) W% ?3 dinput text $varying2000. len;
put text;
) v! u$ F' _$ ~" h& _4 @start = 1;
# ^8 o- ~6 \$ e8 Z: {3 T, t. Estop = length(text);
* Z* |: Q6 Z; k" P! u6 v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;
9 K5 {5 Z+ z9 @: Hpattern = ‘/href=”([^"]+)”/i’;
patternID = prxparse(pattern);
/ Y# f7 m$ S# Q2 \end
5 \) \3 c  m; D8 y0 a5 s. ^9 {; }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。
6 s5 c- }: O" n3 ^% t; EAs a result, the Web crawler will find these types of strings:
href=”sgf/2010/papers.html”
href=”www.yahoo.com”
; A0 J# \1 M# G' iHREF=”www.google.com”
hReF=”http://www.madio.net”
8 g7 x$ B  I$ |5 O8 @+ s7 t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 G$ Z1 C/ r' O; Ocall 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);
2 Y7 D) S) p  W4 S) ~url = substr(text, position+6, length-7);
output;
call prxnext(patternID, start, stop, text, position, length);
2 ~5 F/ c( {; u! q8 uend;
4 @6 Q. r7 ~% T& `& Yrun;
/ b/ e3 q) s: R. `3 H% y- m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;
4 H# ?6 x9 h( n  O  M# _, burl = “&next_url”;
run;
proc append base=work.links_crawled data=work._old_link force;
run;
9 Q, b) s9 p! S1 |" K) Z9 T/ @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）。
# W! L7 ]. o4 X3 ~! o' s) v) v1 H2。我们没有排队抓取的URL（网址换句话说，是不是在work.links_to_crawl ）。
: }" ]( y* ?2 b+ n& G/*
6 [0 p" N! j+ _# y) |* e, t8 \( O* only add urls that we have not already crawled
7 x) B4 g! _3 `  H- }* or that are not queued up to be crawled
, I/ B, G4 U" K( M*
- x$ P/ v+ |2 ]1 Q5 k*/
5 `: f  @! k% ~9 C2 |7 M$ O8 T1 ?proc sql noprint;
create table work._append as
" ^" Q: u0 Y6 y$ l9 j$ m& ?select url
$ W# p0 o( ]3 S8 E5 w4 X2 w9 C6 Xfrom work._urls
where url not in (select url from work.links_crawled)
# d- h% Q, N# w4 ]- a: \' Fand 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 */
% m. ]# ?  H4 v$ ~! [4 rproc 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。
) b! \3 K" v% L% [& v0 d3 s% g

叶纯萱

留个脚印

snowmanPeter

值得一看