Python在我SEO工作中的应用一 - 数据采集

原创

用户10730458

发布于 2026-10-04 10:16:38

540

1. 本系列前言

一直想写Python与SEO的系列文章，因为随着SEO工作的开展，以及自身Python水平的提高，Python在SEO中的应用越来越多，使用的范畴也越来越广。

本系列暂时计划分为几个主题，将在近几周完成：

数据采集
关键词拓展
数据系统
工具篇

适用人群：具有Python基础的SEOer（没有Python基础的直接往下拉，看推荐的Python教程）。

2. SEO与数据采集

SEO工作离不开数据采集。获取某个频道所有URL，查询一批网页的收录/排名情况，采集竞争对手的特定数据，都需要用到数据采集。

特别是对个人站长来说，只有通过数据采集才能获得大量数据，并生成网页。

3. 原始爬虫

最原始的爬虫爬虫可以只是发送一个HTTP请求，并获取返回的响应数据，使用requests三行就可以写出一个简单的爬虫，代码如下：

import requests
r = requests.get('http://www.example.com')
print r.content

注：

除了Requests，还可以使用python标准库urllib, urllib2。

4. 高级爬虫

给原始爬虫升级几个技能就可以投入使用了，我经常升级以下几个功能。

4.1 获取特定字段： BeautifulSoup+Requests

BeautifulSoup可以将HTML解析为DOM树，然后获取特定字段。这里只举一个简单的例子。

<div class="des">
    <h1 class="mb_10">玉渊潭樱花节</h1>
    <p class="address mb_5"><em class="c_999">地&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 址：</em></p>
    <p class="othmes">
        <span class="t1"><em class="c_999">游玩时间：</em>预计<b class="c_f80">4小时</b></span>
    </p>
</div>

复制

可以通过<b class="c_f80">..</b>这个特征来获取4小时这个字段：

import requests
from bs4 import BeautifulSoup as bs

url = 'http://www.example.com/play/9232/'
r = requests.get(url)

soup = bs(r.content)
print soup.find('b', class_='c_f80').string
# 输出字段有空格，可以通过strip()函数来过滤多余的空格和换行

复制

注：也可以用requests和lxml的方式抓取。

4.2 使用代理

为避免屏蔽，抓取时通常需要代理，使用Requests的proxies参数可以实现这个效果。接上面代码：

proxies = {
  "http": "http://10.10.1.10:3128",
  "https": "http://10.10.1.10:1080",
}
r = requests.get(url, proxies=proxies)

复制

如果代理需要账户和密码，则需这样：

proxies = {
    "http": "http://user:pass@10.10.1.10:3128/",
}

复制

4.3 模拟百度蜘蛛

抓取时模拟搜索引擎蜘蛛是个好主意，这里就以User-Agent试图模仿百度蜘蛛去抓取：

headers = {
    'User-Agent': 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)',
}
r = requests.get(url, headers=headers)

复制

4.4 多线程抓取

为了提高抓取速度，一般都会采用多线程的方式去抓取，我在这篇文章中采用了第三方库threadpool的形式实现了多线程。在这里我采用另外一种形式，用标准库multiprocessing来实现：

import requests
from bs4 import BeautifulSoup as bs
from multiprocessing.dummy import Pool as ThreadPool

# URL列表
urls = [
  'http://www.example.com/play/9232/', 
  'http://www.example.com/play/9231/',
  'http://www.example.com/play/9237/',
  'http://www.example.com/play/9234/',
  # etc.. 
]

# 提取字段函数
def get_play_time(url):
    r = requests.get(url)
    soup = bs(r.content)
    print soup.find('b', class_='c_f80').string.strip()

# 设置线程数
pool = ThreadPool(4) 

# 开启多线程
results = pool.map(get_play_time, urls)

# 关闭线程并等待结束
pool.close() 
pool.join()

4.5 requests+正则

有时候如果所需字段出现在JS等DOM树之外，可以直接使用正则的方式获取，有时候速度反而会更快一点。

4.6 抓取网页JS内容

很多网站会将重点内容放在JS中，增加了抓取的难度。这种可以通过Selenium+PhantomJS+Xpath的方式抓取。

5. 终极爬虫

终极爬虫就属Scrapy了。Scrapy可以理解为搜索引擎爬虫的雏形，可以沿着初始URL列表进行抓取，并且可以设置抓取深度，抓取字段，抓取URL，抓取频率等等。

另外，还可以加入随机代理，随机UA，分布式抓取，入库等高级功能，并且还可以与selenium结合对JS生成的元素进行抓取。很多比价网站都是用Scrapy做商城爬虫，Scrapy也是爬虫工程师的必备技能之一。

我对官方教程里的基础示例做了修改，示范下基础爬虫的代码：

import scrapy

class TuniuSpider(scrapy.Spider):
    name = 'tuniu'  # 设置爬虫名称，这里没卵用
    start_urls = ['http://www.example.com/guide/d-beijing-200/jingdian/']  # 设置初始抓取链接

    def parse(self, response):
        for href in response.css('.mgl_pic a::attr(href)'):  # 用CSS提取链接，也可以用xpath，beautifulsoup提取
            yield scrapy.Request(href.extract(), callback=self.parse_poi)  # 提出的链接用parse_poi函数处理

    def parse_poi(self, response):
        yield {
            'name': response.css('h1 a::text').extract()[0],  # 用CSS规则从网页中提取字段
            'english': response.css('.english::text').extract()[0],
        }

复制

之后就可以使用scrapy runspider tuniu_spider.py -o tuniu_poi.json进行抓取了。

注：Scrapy依赖很多其他库，如lxml，Twist，所以安装起来会比较麻烦，之后可能会单独写一篇文章讲Scrapy。

6. Python教程推荐

入门教程：笨方法学Python（练习中学习，很快有成就感）
基础学习：《Python核心编程》，或者其他系统讲解Python原理及标准库的书
进阶学习：《Python Cookbook》
熟读资料：Python文档

7. 备注

Python只是抓取工具，火车头也是一款不错的抓取工具，我跟隔壁小伙伴培训就是讲的火车头采集，界面简单，容易上手；
题图为SEO的一生，版权在图片上。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

seo