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。
4 H9 F7 d( O  b6 ^, n" b3 r一个Web 履带式有四项职责：
1。从候选人中选择一个网址。
9 G. w+ y+ s/ m9 T# F2。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
* Q% j2 K( y! M# H" [( Q; V" z9 a! J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。
$ ~5 p. a! |1 E" g0 L6 Idata work.links_to_crawl;
9 W" o+ `  [% ^8 \; _length url $256 ;
input url $;
2 S4 k3 q; _6 B1 fdatalines;
http://www.yahoo.com
) J+ `3 ^6 A5 l8 Q, _' ihttp://www.madio.net
http://www.google.com
;
run
. F2 ]9 W" v' v- S) S6 c" b) W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。
& O: ]. w8 O/ a0 m7 z: c2 }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 $256;
run;
现在我们开始爬行！该代码需要我们的 work.links_to_crawl数据集的第一个URL。在第一观察“_N_式1”，网址是投入名为 next_url 宏变量，所有剩余的URL放回我们的种子URL数据集，使他们在未来的迭代。
/* pop the next url off */
9 _9 ]& q& F8 J5 o- m2 ]& x& p8 Y4 J0 B%let next_url = ;
data work.links_to_crawl;
* w4 E4 }+ P' D1 l9 P  R' y$ x3 @set work.links_to_crawl;
if _n_ eq 1 then call symput(“next_url”, url);
. V8 a/ Y6 T  t: s! celse output;
% i+ o+ B' \1 |3 s5 k8 Grun;
! d: F1 O, P3 v+ ?. N8 U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”
& G; k/ [$ [& ?& L7 T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。
( m9 y2 V( x8 ^/* 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。
0 L8 J: T- M) d+ S. [  Z/ D' @/* find more urls */
data work._urls(keep=url);
: E4 y+ F3 z2 @9 Jlength url $256 ;
4 w1 Y( u* g" O" [9 m6 Y& {" A; U# Gfile htmlfile;
infile _nexturl length=len;
input text $varying2000. len;
: M* N; d# b; O0 k& [put text;
) h( B) @+ R4 G. j7 R" ~) W. S- rstart = 1;
stop = length(text);
+ r1 e' K! k0 @% d4 L" `使用正则表达式一个网站的网址，以帮助搜索。正则表达式的匹配方法文本字符串，如字，词，或字符模式。 SAS已经提供了许多强大的字符串功能。然而，正则表达式通常会提供一个更简洁的方式，操纵和匹配的文本.
* h: @$ `4 Q  P) E$ E+ L/ Cif _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。
8 K3 l) a! q( F, Xdo while (position ^= 0);
url = substr(text, position+6, length-7);
output;
) L% K/ h# T6 f$ u" T9 f5 pcall prxnext(patternID, start, stop, text, position, length);
end;
run;
+ G" G: p, ]' b. `, S: h, Z4 B' 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”;
run;
7 [4 g) u. s' i' M5 n( Kproc append base=work.links_crawled data=work._old_link force;
. E: h7 o# d: k+ Jrun;
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 ）。
/*
9 D2 g$ P* }: A9 M* F* only add urls that we have not already crawled
- }0 T2 S& p: n, `2 o* or that are not queued up to be crawled
*
*/
proc sql noprint;
# t5 Z+ u# x7 _" o  z( s1 H9 H( Ecreate table work._append as
select url
/ L  G$ N0 z& ~* Z5 F# _1 Xfrom work._urls
2 V+ m0 Q  V3 A5 d4 h( l6 e: L) kwhere url not in (select url from work.links_crawled)
* f& e/ q8 P( c- u# s5 R# K3 xand url not in (select url from work.links_to_crawl);
9 c0 Q% H) [5 T4 Z0 F0 Q% Aquit;
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。
: Y+ v* T* L8 W! ?/* add new links */
7 d2 D* K8 l4 o6 _proc append base=work.links_to_crawl data=work._append force;
. m; D( ]" s8 u: H' |. Arun;
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。
$ ^- L( k# u5 l$ T$ v$ B* h- Q

叶纯萱

留个脚印

snowmanPeter

值得一看