SAS | 如何网络爬虫抓取网页数据

本人刚刚完成SAS正则表达式的学习，初学SAS网络爬虫，看到过一些前辈大牛们爬虫程序，感觉很有趣。现在结合实际例子，浅谈一下怎么做一些最基本的网页数据抓取。第一次发帖，不妥之处，还望各位大牛们指正。

本帖研究网页为'http://health.gmw.cn/2012-10/03/content_5266132.htm'，意在提取该网页中全国各省降雨量信息，部分截图如下：

大致步骤就是用filename fileref url '网页地址'获取网页代码信息(包含有待提取数据)，再用infile fileref将字符代码读入变量中，接着根据待提取数据的特点对写入的观测进行“数据清洗”，最后获得所需数据观测。

先针对该过程中可能出现的问题，做一下简单说明：

1.本人所用SAS软件为多国语言9.2版，刚开始运行含有filename fileref url '网页地址'及infile fileref时，很不友好的显示错误：无法连接主机。这一问题困惑我好久。最后看到有前辈发帖，从一个网站http：//ftp.sas.com/techsup/download/hotfix/f9_sbcs_prod_list.html#034098下载相关hot fix(F9BA26)以后，得以解决。

2.若未在infile语句中加encoding='utf-8'，得出的观测乱码。

3.正则表达式并不是必须的，但是用起来简洁明了，与一些字符函数配合使用，绝对可以达到你想要的提取目的。

4.大家进入网页后，点击右键，查看源代码(有些是源文件)，这个源代码就是我们需要写入数据集的文件。先用

filename fileref url 'http：//health.gmw.cn/2012-10/03/content_5266132.htm'；

5.怎样将网页源文件代码写入数据集？用infile+input。不过根据写入方式不同，后续清洗数据的程序自然也不一样了。由于源代码中每一个input line的形式为<...>！！！<...>或者<...><...>(大家可以观察网页的源代码)，而我们需要的数据就包含在！！！里面。而由于一个网页包含的信息太多，也有可能找到的！！！不包含所需数据。为了“清洗”数据方便，在这里我采用了一个比较笨的方法，通过观察源代码中待提取数据的大致范围，如第一个待提取字符串"黑龙江"出现在第184个input line，而最后一个"120”(中国澳门人均降水) 则出现在第623个input line，其他input line我们不需要，可以考虑在infile语句中加入firstobs=184 obs=623。

注意：由于网页可能发生小的变化，firstobs=与obs= 的值可能不准确，从而影响结果。建议查看源代码确定相应值。

这里介绍两种不同的写入方式。

a.以'>'为分隔符，写入后每个观测就形如<...或者！！！<...，而后者是我们所需保留的观测。根据！！！<...写出对应正则表达式进行清洗。考虑用正则表达式'/.+/'。

此种方式编程如下：

b.源代码文件中每一个input line整体作为一个值，这样就保留了原来形式<...>！！！<...>或者<...><...>，根据>！！！<写出对应表达式进行清洗。考虑用正则表达式'/>.{1，8}</'(数据位数最多为8)。

此种方式编程如下：

以上两种方式主要看各位的习惯吧。得到了筛选后的数据集work.newa(work.newb)，数据集只含有1个变量text。而网页中则有6个变量。这是就需要对数据集work.newa做写什么了。

法1.set操作：

法2.分组transpose：

文 | 1989pengwei

来源 | 经管之家论坛