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。

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。
+ n' f0 ?$ ?' |: |; v一个Web 履带式有四项职责：
1。从候选人中选择一个网址。
4 H# B" F! d) s8 T. G, k2。它下载相关的Web页。
+ P4 J6 q' Q: u' V8 A3。它提取物在网页中的URL（超链接）。
' ^+ K1 P4 `9 }1 E7 [8 s4。它补充说，未曾遇到的候选集的URL
4 J* `  s0 Q: X4 G+ R方法1：在WEB SAS数据步骤中的代码履带式
) \3 h& D, m2 Z. D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 ;
: X/ G3 s7 U+ |input url $;
datalines;
http://www.yahoo.com
http://www.madio.net
0 R% J; I( u9 r5 n5 Ohttp://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。
! r6 E/ ], r" N: m8 Q% u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 = ;
- c, K- X6 V, h2 Tdata work.links_to_crawl;
set work.links_to_crawl;
8 Q5 l+ i9 X9 E1 L7 l* H4 _5 Bif _n_ eq 1 then call symput(“next_url”, url);
else output;
. A! l. |% r2 Y& V7 D+ ~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 */
3 r+ k- P& L% I  w& K' D; {2 \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”
+ }4 S5 p6 k! H* M2 a  [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);
- W  U9 ~& G" j+ Dlength url $256 ;
3 x; f, q( R7 S. x( E- p' tfile htmlfile;
3 Y, y: q7 c; a* ], dinfile _nexturl length=len;
input text $varying2000. len;
* r, \( x; F* R8 Vput 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.
6 a: n. f1 H& ^if _n_ = 1 then do;
retain patternID;
+ S' U& U# V3 Q; O% W* `2 M. y% s5 i) lpattern = ‘/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。
2 Q3 [/ H1 X. ?+ N: u: q& z4 zAs a result, the Web crawler will find these types of strings:
href=”sgf/2010/papers.html”
href=”www.yahoo.com”
. ^3 R" s6 W$ L; {  l6 j' d$ s7 O; BHREF=”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);
' Z: ]* ?8 [1 h0 S) |代码中的循环，在网站上找到的所有环节显示的文本。
0 X& n; a& A2 [% I/ Ldo while (position ^= 0);
1 c2 E% t0 g5 ourl = substr(text, position+6, length-7);
output;
call prxnext(patternID, start, stop, text, position, length);
, C. Z/ h* h5 P! M) ~: w( zend;
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。
5 ]2 H% m+ Z- u# {. u. `/* 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：
+ {+ X9 D2 {% g( r+ s5 Q/ A6 _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 ）。
/*
. w1 Y  n: ?2 w7 M0 T8 P* only add urls that we have not already crawled
* or that are not queued up to be crawled
3 y8 f# g2 F& {; j7 }7 r*
' x" w4 Z; g& |  Q) R) A6 z*/
proc sql noprint;
, u5 w; p. J: A7 j; E$ H5 Jcreate table work._append as
) M7 l: O4 d* f% Bselect url
( z/ O# |: A; e, _3 w+ `5 }3 Sfrom work._urls
where url not in (select url from work.links_crawled)
and url not in (select url from work.links_to_crawl);
/ G5 q% b! m+ G% W4 w, c) {; ~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 */
9 l8 r: m8 y' ]7 Eproc append base=work.links_to_crawl data=work._append force;
% M6 Z: r5 I8 v. p" drun;
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