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。
" m8 I% ]& Z2 z
) M' a% k( Z/ z$ p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。
! x! e( \& F  _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。
- K$ p* J( {8 b* W, }6 V; u- Q一个Web 履带式有四项职责：
6 y2 G! K( t1 ^" k1。从候选人中选择一个网址。
# ^9 _& {) ]0 f' ^8 S2。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
4 P; a( N" A' n9 I' c% O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。
/ _; T; a3 O8 Zdata work.links_to_crawl;
length url $256 ;
input url $;
datalines;
" B1 [( f2 N+ u8 \* Hhttp://www.yahoo.com
http://www.madio.net
9 Z/ p" R0 V1 _/ W8 z0 [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。
9 k# J5 I! [4 kdata work.links_crawled;
* C. Z- ?- [* ]+ _9 {1 |; s/ Ulength 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 = ;
$ C# C$ j5 |1 |* l5 e3 A" B1 Sdata work.links_to_crawl;
set work.links_to_crawl;
if _n_ eq 1 then call symput(“next_url”, url);
else output;
+ u7 F. z- r  J) Y, J& prun;
$ r3 l$ Y4 z7 Q" s# r- }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 S+ j; J" I$ _1 U! y2 q  g* W/* crawl the url */
; L* T+ h5 Z0 \# g8 nfilename _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 */
' y# i( v  b! g6 l' \! x  z% c" Rfilename htmlfile “url_file.html”
, }4 M  A) q9 P1 _5 G5 n8 v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。
: W: }( v9 s* ]& h/* find more urls */
9 v+ z6 ]4 ~; r, T7 U$ Pdata work._urls(keep=url);
. `0 y8 `. a7 ~, Tlength url $256 ;
' {) \# I4 C- R8 ]  F% Dfile htmlfile;
infile _nexturl length=len;
input text $varying2000. len;
put text;
start = 1;
stop = length(text);
+ G$ m4 L/ x' b) j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.
/ k% v6 E5 t0 Z; u# @/ u% X4 |if _n_ = 1 then do;
$ x! S8 }/ ~5 ^" v* g1 X$ {retain patternID;
pattern = ‘/href=”([^"]+)”/i’;
, {- I6 `: v- w8 @patternID = prxparse(pattern);
end
- |3 W% |6 T4 H! J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:
, h! C% B  `! P% E6 R  H1 H1 ahref=”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。
* a$ t  l( g+ m# i+ m& Ecall prxnext(patternID, start, stop, text, position, length);
/ c( g! S( v+ v: n+ x代码中的循环，在网站上找到的所有环节显示的文本。
7 g3 ~/ A4 ]  w, l9 Z& m) ido while (position ^= 0);
url = substr(text, position+6, length-7);
( N7 l$ x0 j6 V/ W1 p3 m& E" noutput;
: D9 V% P+ o* j/ ecall prxnext(patternID, start, stop, text, position, length);
/ U8 X7 N. m1 V1 Nend;
* I# k; y% k# `3 G, |  yrun;
; n% t. d& ~0 k: L0 ~: B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”;
2 a( ~5 ]& k: T% r  frun;
- U) }! w1 K  xproc append base=work.links_crawled data=work._old_link force;
1 @7 J$ F- b( c; ?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）。
" v: ?& D" O0 a2。我们没有排队抓取的URL（网址换句话说，是不是在work.links_to_crawl ）。
/*
, B9 S$ t2 ^3 e( a7 v6 z2 M* only add urls that we have not already crawled
) t# J3 B; l# \0 ]  Y0 s* or that are not queued up to be crawled
*
; b' `. h, I$ e*/
+ b. q7 V' I+ V- z5 Aproc sql noprint;
create table work._append as
select url
from work._urls
where url not in (select url from work.links_crawled)
: m- I6 K0 C4 G" v, t6 d0 ~! _and url not in (select url from work.links_to_crawl);
9 f: L. _' X7 y) j# c3 b  Squit;
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。
, W1 \! G" `5 Y6 C$ G/* add new links */
proc append base=work.links_to_crawl data=work._append force;
$ l, f& }' L3 r% g4 t( t4 nrun;
9 j- r% M$ {* p. K3 J3 p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