抓取搜索数据并进行简单数据分析

【前言】

使用 scrapy爬虫框架，进行对百度搜索数据进行爬取，对于爬取的数据分3个方向进行存储，分别是：存储到json文件中，存储到mongodb数据库中，存储到mssql数据库中。并对抓取的数据进行简要的数据分析。

本文只供参考学习目的，对于实际情况中请遵守相关规定，并尊重robot.txt中的内容。

【正文】

爬取前的页面分析:

打开百度搜索页面，并查看网页源代码，问题便出现，无法查看到页面源代码，如下，只是返回一个状态说明，这时可以确定页面数据是动态生成，常规的爬取行不通。

在浏览器中进行调试分析，可以发现需要定位使用的html元素，通过这一步至少可以将以下两个元素的XPATH或CSS Selector的表达式求解出来。

制定爬取方案

既然搜索页面的内容是动态生成，常规的http请求后无法获取数据，针对这种问题的解决方法：

l  通过抓包工具，进行对http请求进行分析，找到实际数据请求的js代码后进行模拟请求获取数据，这种方法耗时耗力，且是无法适应页面更改的情况。

l  通过浏览器框架请求，并编写程序和浏览器通信获取数据分析，对于这种方法的选择有很多，如在windows上可以使用IE Browser控件，其他的可以使用其他内核的浏览器，这种方法的缺点是速度较慢。

l  这里选取的方法是使用 Selenium + Phantomjs的方法，这个结合scrapy也算是较为经典的一种方法。并且 Selenium + Phantomjs 也是作为Web应用程序进行自动化测试的一套方案。

Selenium : Selenium 是一个用于Web应用程序测试的工具，可以搭配主流浏览器进行使用，如 IE ，Chrome ，Firefox等

Phantomjs:一个基于webkit内核的无头浏览器，即没有UI界面，即它就是一个浏览器，只是其内的点击、翻页等人为相关操作需要程序设计实现。

编写爬虫代码

开始实际编写代码前，对爬取步骤的梳理。

自动填写搜索关键字– 自动触发搜索功能–抓取页面搜索数据（不包含广告推广项）–分页跳转…..

进行分页跳转，即需要自动触发下一页事件执行。

 关键代码:

实例化浏览器

输入关键字并进行查找，对关键字“IT教育”进行搜索

对第一页右边栏的“相关机构”（如下图）进行抓取（首先需要触发“展开”事件）

相关代码为：

抓取页面数据，并调整到下一页

分析数据

经过抓取，共抓取了76页，抓取的数据如下:

Json文件

数据库

对抓取数据进行关键字提取，并制作对应的标签云，得到的标签云图为.分析工具为python，通过jieba分词和pycloundtag两个模块进行

分析搜索“IT教育”得到结果得出的初步结论，出现次数较多：

城市： 北京 深圳 杭州 武汉 长沙 等

机构： 北大青鸟 达内 传智播客 等

语言： java php html5 等

接下来将进行招聘网站信息爬取，并结合使用SSAS进行数据分析，目前抓取以完毕，并在数据库中有21w行数据。