- 四月29日
-
从这篇文章开始不打算再花费大量精力去写程序本身的知识,毕竟是各类书籍上有的内容。其余主要需要学习的是内置函数的使用,和一些模块的使用方式,尤其是pycurl, re, threading这些需要慢慢熟悉起来。
若在学习中有不解的地方,在文章评论中可以提出,如果有空会尽力帮忙解答。
程序需求
对于稍大的一个网站,往往会有许多关键词需要每隔一个周期监控它们的排名,以分析SEO效果的好坏,及判断百度Google的动向等等。
有一个关键在于数据的收集全自动与否的问题。若经常用Google Analytics分析数据的话应该会感觉到,数据分析的需求是多种多样的,只有事先已经有了完善的各个维度的数据以后,才能随着最初的想法进行分析,而不会为数据的匮乏所局限。像Google Analytics这样出色的工具完全自动的将这些数据收集了起来,才给SEO对于流量的多样化分析打下了基础。同样的,如果想分析的时候更自由的话,就需要记录尽多种类的历史数据,如果这些作为每日工作,那将耗时非常长,所以自动化的收集就体现出了其重要性。
现有的监控排名主要解决方案是使用商业软件Rank Tracker,但它也有些不是很理想的地方。比如对于几乎所有既有软件都存在的问题,功能不灵活。另外它最大的弊端之一在于它一定要找个具有图形界面的系统运行(因为它是Java实现的,有多操作系统版本,所以不一定是Windows)。
对于DIY的Python脚本,在Linux系统里面可以将其放到crontab中(系统级计划任务),全自动的定时运行收集原始数据。然后在需要的时候,再用另外的脚本来处理原始数据,进行各个维度的分析。所需的一般情况下为:Linux系统的低配置VPS一台,总共不超过100行的Python代码(Windows也能实现这些,但相对比较麻烦)。
然后再来分析更具体的需求。此处我总结了一些原则:
1. 除非数据量大到会对硬盘带来压力(比如每日数G的日志的分析等),不然把能想到的尽多的数据都记录下来。因为分析的需求是多变的,数据若全面即可有备无患。
2. 同上,除非数据量极大,不然务必把历史数据全部保存下来。在大数据量的时候,也需要按实际情况保存一定时间区间的数据(打个比方,前3年每月保存一副本,当年每周保存一副本)。历史数据的对比在很多时候的意义非常大。
3. 当数据非常单一的时候,使用txt按行保存;当数据比较简单的时候,使用csv按行列储存;当数据比较复杂的时候,可以考虑使用MongoDB等key-value型NoSQL储存;再复杂的时候,使用MySQL之类的关系性数据库储存。但这些不是绝对的,还是要看实际情况而定。
对于目前的需求,因为是要监控关键词排名趋势,所以一般最多监控几千个关键词就够了。或许网站比较大,想了解数十万的关键词的排名,但对于了解排名趋势的情况下,没必要全部查询,随机选取其中一小部分作为样本就可以了。
因为最多几千个关键词,所以最好每天记录一次它们的排名数据(保证稳定的情况下,对于单IP,Google每天可以查询5000+词,百度则可以查询数万的词)。而且数据本身,主要为关键词、排名、着陆页URL这几项,文件体积很小,所以每天都保存一份数据。
数据的储存方式上,此时一般建议选择csv。它和Excel表格(xls)在数据的储存方式上是一模一样的。
代码实现
这些代码需要以下运行环境:
Linux操作系统
Python的第三方模块pycurlPython下载网页的最简单方式是:
12import
urllib2
但urllib2模块本身功能虽然还行,却仍离pycurl模块有较大距离。且在做稍微复杂一些的操作时,pycurl模块使用起来比urllib2模块方便很多。pycurl是必须要熟练运用的模块之一,但也因为它上手可能会让人有点头疼,这里我自己写了一个模块,以此即可方便的使用它:
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354from
pycurl
import
*
import
StringIO, time, random
def
curl(url, retry
=
False
, delay
=
1
,
*
*
kwargs):
'''Basic usage: curl('http://www.xxx.com/'), will download the url.
If set `retry` to True, when network error, it will retry automatically.
`delay` set the seconds to delay between every retry.
**kwargs can be curl params. For example:
curl(url, FOLLOWLOCATION=False, USERAGENT='Firefox')
'''
useragent_list
=
[
'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-GB; rv:1.8.1.6) Gecko/20070725 Firefox/2.0.0.6'
,
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
,
'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.30)'
,
'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; .NET CLR 1.1.4322)'
,
'Opera/9.20 (Windows NT 6.0; U; en)'
,
'Mozilla/4.0 (compatible; MSIE 5.0; Windows NT 5.1; .NET CLR 1.1.4322)'
,
'Opera/9.00 (Windows NT 5.1; U; en)'
,
'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 8.50'
,
'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 8.0'
,
'Mozilla/4.0 (compatible; MSIE 6.0; MSIE 5.5; Windows NT 5.1) Opera 7.02 [en]'
,
'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.7.5) Gecko/20060127 Netscape/8.1'
,
]
size
=
len
(useragent_list)
useragent
=
useragent_list[random.randint(
0
, size
-
1
)]
s
=
StringIO.StringIO()
c
=
Curl()
c.setopt(NOSIGNAL,
True
)
c.setopt(FOLLOWLOCATION,
True
)
c.setopt(MAXREDIRS,
5
)
c.setopt(TIMEOUT,
120
)
for
key
in
kwargs:
c.setopt(
locals
()[key], kwargs[key])
c.setopt(URL, url)
c.setopt(WRITEFUNCTION, s.write)
if
'USERAGENT'
not
in
kwargs:
c.setopt(USERAGENT, useragent)
if
'REFERER'
not
in
kwargs:
c.setopt(REFERER, url)
while
1
:
try
:
c.perform()
break
except
:
if
retry:
time.sleep(delay)
else
:
return
False
return
s.getvalue()
对于简单的采集里面需要用到的下载功能,已经被整合在了这个模块之中。如User-agent轮换、自动301/302跳转等、使用当前URL作为REFERER的有些取巧的方法等。这个模块的代码可以日后再慢慢理解,现在只要知道它的用法即可。
首先到放置Python脚本的目录,将前面一段代码保存为curl.py,然后在同一目录下创建一个新文件,输入以下测试代码:
123456789101112# -*- coding:utf-8 -*-
import
curl
#以下是比较保险的下载方式,因为各种原因,就算总体很稳定的网站也偶尔会出现网页暂时无法打开的情况
#当网页下载出错时,如果retry为True,则会不断重试,直到下载完网页
#delay则指定了几次重试之间的时间间隔,以秒为单位
#以下用到了一些Curl的参数,详细说明可见:http://curl.haxx.se/libcurl/c/curl_easy_setopt.html
这个模块会在以后几乎每个脚本里面都用到,所以这些基础用法务必牢记。接下来是监控网站关键词排名的正式代码:
cron.py
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273# -*- coding:utf-8 -*-
#加载模块,此处大致按功能划分行,是为了能够更方便理解代码
import
sys, os, random, time, datetime
import
urllib, re
import
curl
#sys.argv是系统参数,1:3切片意味着读取参数2,3,分别赋值给两个变量
site, file_keyword
=
sys.argv[
1
:
3
]
keywords
=
[]
#先将keywords声明初始为列表型变量
#迭代文件,每次读取一行文字
for
line
in
open
(file_keyword):
line
=
line.rstrip()
#将行尾的空白字符去掉,一般行尾会有换行符等
if
line:
#判断该行是否是空白行,也可更标准的写作if len(line)!=0:
keywords.append(line)
#将读取到的文字加入到keywords列表中
#获取UTC时间,之所以使用UTC时间是为了避免时区问题带来的未知麻烦
#北京时间是UTC+8,如该日UTC时间01:00相当于北京时间09:00
now
=
datetime.datetime.utcnow()
#将UTC时间格式化,变成如1970-01-01的格式
date
=
datetime.datetime.strftime(now,
'%Y-%m-%d'
)
#尝试创建文件夹,如果文件夹已创建则跳过
try
:
os.mkdir(
'/home/rank/'
)
except
:
pass
#打开输出数据的文件,以当日的日期命名它
f
=
open
(
'/home/rank/%s.csv'
%
date,
'w'
)
for
keyword
in
keywords:
#因为关键词可能是非ASCII字符集的,所以需要编码
encoded_keyword
=
urllib.quote_plus(keyword)
#下载SERP并提取链接
#下载SERP,如果出现验证码即延时10分钟并重试
while
1
:
html
=
curl.curl(url, retry
=
True
, delay
=
60
)
time.sleep(
600
)
else
:
break
#如果该关键词没有搜索结果(也可能是其它特殊情况,如百度页面改版)
try
:
urls
=
re.findall(
'<h3 class="t".*?href="(.*?)"'
, html)
except
:
f.write(
'%s\t%d\t%s\n'
%
(keyword,
-
1
,
'-'
))
continue
#如果在前100名找到网站,则find=True
find
=
False
#在SERP上面的URL中,寻找网站并确定排名
for
pos, url
in
enumerate
(urls,
1
):
if
site
in
url:
f.write(
'%s\t%d\t%s\n'
%
(keyword, pos, url))
find
=
True
break
#如果前100名没有找到网站
if
not
find:
#更标准的写法是if find==False:
f.write(
'%s\t%d\t%s\n'
%
(keyword,
-
1
,
'-'
))
delay
=
random.randint(
1
,
2
)
#随机设定延时时间为1秒或2秒
time.sleep(delay)
#等待x秒以后继续查询下一个词的排名
这段代码即可监控排名并收集数据。它的使用命令如:python cron.py semwatch.org keywords.txt
在运行之前,先要把关键词按行分隔,保存成txt文件,并在运行参数中让脚本去读取它。每次运行之后,会在/home/rank/文件夹下,创建一个类似1970-01-01.csv这样文件名的文件,保存着当日的关键词排名情况。
为了让排名查询能自动化,可以将脚本设置为Linux的计划任务。在终端敲入:crontab -e,即可进入对于计划任务的编辑(它也使用一段脚本控制,而非Windows是图形界面)。为此必须要对VIM编辑器有最基础的了解,至少要能把字打上去并保存,可参考:http://ooxx.me/basic-vi.orz
在crontab输入并保存:00 05 * * * python cron.py semwatch.org keywords.txt
此处为了简化一些Linux的环境变量的问题,需要将cron.py, curl.py, keywords.txt三个文件,都放到~文件夹下。crontab的默认执行路径便是~。
前面一段命令的意思是在每日05:00自动执行脚本。当然需要计算机是处于开机的状态,也因此推荐使用一般不会关机的VPS来做这些监控类任务。此外需要注意的是系统的时间,VPS上面的时区可能和本地不同,可以在终端下使用date命令来确认。
至此日常排名数据的收集已经完成了,但光收集肯定不行,还需要分析。分析可以是各个角度的,这里以最常用的举例,分析网站关键词排名整体上升或下降的趋势。代码很简单:
analyse.py
12345678910111213141516171819# -*- coding:utf-8 -*-
import
os
data
=
{}
for
current
in
os.walk(
'/home/rank/'
):
file_name
=
current[
2
][
0
]
date
=
file_name[:
-
4
]
data[date]
=
0
for
line
in
open
(
'/home/rank/%s'
%
file_name):
keyword, pos, url
=
line.rstrip().split(
'\t'
)
pos
=
int
(pos)
if
pos!
=
-
1
:
data[date]
+
=
100
-
pos
for
date
in
data:
print
'%s\t%d'
%
(date, data[date])
以一个数值的形式来量化整体的排名,数值越高则代表整体排名越好。可以直接运行python analyse.py,看到分析结果。但是光这样的分析往往是不够的,因为数字不是很形象,一般生成图表会好得多。
尽管结合Google Chart Tools等API,可以自动生成图表,但多数情况下不推荐这么做,因为比较麻烦。除非这些数据需要面向他人,或是需要每天都去分析排名趋势数据。
一般来说可以这么做:python analyse.py > data.csv
这条命令结合了Linux里面的重定向>,此时程序不会再输出内容到屏幕上,而是写入到data.csv文件中。之后即可使用如LibreOffice Calc(Linux下类似Excel的软件)打开它,生成Line Chart来以图形化的方式观察分析数据。
思路扩展
一般来说需求决定技术做法,但这里还是推荐初学者选下面的任意一个需求并实现它,不管目前是否有用。因为熟悉一门程序语言最好的方法是多写:
最简单的扩展,将收集脚本从面向百度的改为可用于Google的。
可以再写一个分析脚本,使用类似Google Analytics的高级细分的方式,做URL的筛选功能。目前监控的是整个网站的流量趋势,但在加入了筛选功能以后,可以统计诸如/article/和/photo/栏目不同的流量趋势;也可对于同类栏目进行划分,作为对于AB测试的效果追踪。
可以再改进收集脚本,辅以关键词的搜索量与对于特定排名位置的大致点击率,去估算网站所获得的SEO流量的话,可以更全面的了解其情况。
可以再大幅改进收集脚本,将SERP上面所有出现的网站的排名都进行统计,则可以完全把握竞争对手的动态。结合一些其它方面的监控以后,可以观察到竞争对手绝大多数站内对SEO有意义的修改,并及时跟进。(此时数据的储存方式最好用数据库来代替CSV,如使用MongoDB)
如果排名趋势追踪的需求非常重要的话,可以考虑做邮件每日报告及邮件预警之类功能。Python里面使用SMTP很容易,结合第三方邮箱的服务即可方便的发邮件。
技术扩展
文中涉及到了一些Python模块路径及Linux环境变量的问题,虽然一般情况下把文件都放在~文件夹下面是可以的,但毕竟这样子文件多了会很乱,可以去补充相关方面的知识。
文中提到了几个模块,比如os和datetime等。个人经验是其中os模块用得不多,偶尔需要用的时候可以百度一下寻找使用方法。而datetime平常用的不少,这些最好稍看下官方文档,对使用到的几个函数要了解:http://docs.python.org/library/datetime.html
pycurl模块的使用,除了程序范畴之外,它还考验对于Web的基础知识。比如REFERER等是什么含义一定要理解,参见HTTP头信息有关的知识点。
不管是否选择深入学习VIM编辑器,一定要牢记其打字和保存的方法,Linux里面很多东西只能靠它编辑。
虽然文章中未提到,但采集数据中经常会遇到文字编码问题。UTF-8, GB2312等之间大致有什么区别、Unicode又代表什么、Python里面怎么转换它们等,这些都需参考相关资料。
转载自semwatch
原创优读网-重庆seo,来源:http://www.seoread.org/post/monitor-keywords-ranking.html