使用Python分析数据并进行搜索引擎优化的操作步骤

# 导入requests库，用于发送网页请求
import requests
# 导入BeautifulSoup库，用于解析网页内容
from bs4 import BeautifulSoup
# 导入pandas库，用于存储和处理数据
import pandas as pd
# 导入asyncio库，用于实现异步爬虫
import asyncio
# 导入aiohttp库，用于发送异步请求
import aiohttp
# 导入async_timeout库，用于设置超时时间
import async_timeout
# 导入random库，用于生成随机数
import random

# 亿牛云
# 爬虫代理信息 代理服务器
proxyHost = "www.16yun.cn"
proxyPort = "3111"
# 代理验证信息
proxyUser = "16YUN"
proxyPass = "16IP"

# 目标网站的URL
url = "https://www.bing.com/search"
# 目标网站的参数
# q: 搜索关键词
# first: 搜索结果的起始位置
params = {
    "q": "python web scraping",
    "first": 1
}

# 定义爬虫函数
def spider(url, params):
    # 定义数据列表
    data = []
    # 定义代理信息
    proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"
    # 定义代理字典
    proxies = {
        "http": proxyMeta,
        "https": proxyMeta,
    }
    # 发送带有代理信息和参数的请求，获取网页响应
    response = requests.get(url, proxies=proxies, params=params)
    # 判断响应状态码是否为200，表示成功
    if response.status_code == 200:
        # 解析网页响应的内容，得到一个BeautifulSoup对象
        soup = BeautifulSoup(response.text, "html.parser")
        # 找到所有包含搜索结果的div标签，得到一个列表
        results = soup.find_all("div", class_="b_algo")
        # 遍历列表中的每个div标签
        for result in results:
            # 定义一个字典，用于存储每个搜索结果的信息
            item = {}
            # 找到包含标题的h2标签，并提取出它的文本，作为标题
            title = result.find("h2").text
            # 找到包含链接的a标签，并提取出它的href属性值，作为链接
            link = result.find("a")["href"]
            # 找到包含摘要的p标签，并提取出它的文本，作为摘要
            summary = result.find("p").text
            # 将标题、链接、摘要存储在字典中
            item["title"] = title
            item["link"] = link
            item["summary"] = summary
            # 将字典添加到数据列表中
            data.append(item)
    # 返回数据列表
    return data

# 定义异步函数
# 定义fetch函数，用于发送异步请求，并返回网页响应内容
async def fetch(session, url, params):
    # 定义代理信息
    proxyMeta = f"http://{proxyUser}:{proxyPass}@{proxyHost}:{proxyPort}"
    # 定义代理字典
    proxies = {
        "http": proxyMeta,
        "https": proxyMeta,
    }
    # 设置超时时间为10秒
    with async_timeout.timeout(10):
        # 使用session对象的get方法，发送带有代理信息和参数的异步请求，并获取响应对象
        response = await session.get(url, proxies=proxies, params)
    # 判断响应状态码是否为200，表示成功
    if response.status_code == 200:
        # 返回响应对象的内容
        return await response.text()
    else:
        # 返回空值
        return None

async def parse(response):
# 定义数据列表
data = []
# 判断响应内容是否为空
if response:
    # 解析响应内容，得到一个BeautifulSoup对象
    soup = BeautifulSoup(response, "html.parser")
    # 找到所有包含搜索结果的div标签，得到一个列表
    results = soup.find_all("div", class_="b_algo")
    # 遍历列表中的每个div标签
    for result in results:
        # 定义一个字典，用于存储每个搜索结果的信息
        item = {}
        # 找到包含标题的h2标签，并提取出它的文本，作为标题
        title = result.find("h2").text
        # 找到包含链接的a标签，并提取出它的href属性值，作为链接
        link = result.find("a")["href"]
        # 找到包含摘要的p标签，并提取出它的文本，作为摘要
        summary = result.find("p").text
        # 将标题、链接、摘要存储在字典中
        item["title"] = title
        item["link"] = link
        item["summary"] = summary
        # 将字典添加到数据列表中
        data.append(item)
# 返回数据列表
return data

async def main(url, params):
# 定义最终结果列表
result = []
# 创建一个异步会话对象
async with aiohttp.ClientSession() as session:
    # 创建一个空的任务列表
    tasks = []
    # 定义要爬取的网页数量
    pages = 10
    # 遍历每个网页
    for page in range(pages):
        # 计算每个网页的起始位置
        params["first"] = page * 10 + 1
        # 创建一个fetch任务，并添加到任务列表中
        task = asyncio.create_task(fetch(session, url, params))
        tasks.append(task)
    # 等待所有任务完成，并获取返回值列表
    responses = await asyncio.gather(*tasks)
    # 遍历每个响应内容
    for response in responses:
        # 创建一个parse任务，并添加到任务列表中
        task = asyncio.create_task(parse(response))
        tasks.append(task)
    # 等待所有任务完成，并获取返回值列表
    datas = await asyncio.gather(*tasks)
    # 遍历每个数据列表
    for data in datas:
        # 将数据列表合并到最终结果列表中
        result.extend(data)
# 返回最终结果列表
return result

# 运行异步函数并获取结果
# 使用asyncio库的run方法，运行main函数，并获取最终结果列表
result = asyncio.run(main(url, params))
# 使用pandas库的DataFrame方法，将结果列表转换为一个数据框
df = pd.DataFrame(result)
# 使用pandas库的to_csv方法，将数据框保存为一个csv文件，命名为"bing_data.csv"
df.to_csv("bing_data.csv", index=False)

# 分析结果并进行搜索引擎优化
# 使用pandas库的read_csv方法，读取保存好的csv文件，得到一个数据框
df = pd.read_csv("bing_data.csv")
# 使用pandas库的head方法，查看数据框的前5行
df.head()
# 输出结果如下：
# title	link	summary
# 0	Web scraping - Wikipedia	https://en.wikipedia.org/wiki/Web_scraping	Web scraping, web harvesting, or web data extraction is data scraping used for extracting data from websites. Web scraping software may access the World Wide ...
# 1	Web Scraping with Python: Collecting More Data from the ...	https://www.amazon.com/Web-Scraping-Python-Collecting-Modern/dp/1491985577	Web Scraping with Python: Collecting More Data from the Modern Web [Mitchell, Ryan] on Amazon.com. *FREE* shipping on qualifying offers. Web Scraping ...
# 2	Python Web Scraping Tutorial using BeautifulSoup - DataCamp	https://www.datacamp.com/community/tutorials/web-scraping-using-python	In this tutorial, you'll learn how to perform web scraping with Python and BeautifulSoup. The tutorial covers the basics of web scraping along with the tips and ...
# 3	Web Scraping in Python using Beautiful Soup (with Project)	https://www.analyticsvidhya.com/blog/2015/10/beginner-guide-web-scraping-beautiful-soup-python/	Oct 13, 2015 — Web Scraping in Python using Beautiful Soup (with Project). Learn how to perform web scraping in Python using the popular BeautifulSoup ...
# 4	Python Web Scraping - GeeksforGeeks	https://www.geeksforgeeks.org/python-web-scraping/	Python Web Scraping · Web scraping is an automatic process of extracting information from web. · This chapter will give you an in-depth idea of web scraping, ...
# 使用pandas库的shape属性，查看数据框的行数和列数
df.shape
# 输出结果如下：
# (100, 3)
# 使用pandas库的describe方法，查看数据框的基本统计信息
df.describe()
# 输出结果如下：
# title	link	summary
# count	100	100	100
# unique	100	100	99
# top	Python Web Scraping Tutorial (with Examples) | HackerEarth Blog	https://hackerearth.com/blog/developers/python-web-scraping-tutorial/	Learn how to scrape data from any static or dynamic / AJAX web page using Java in a short and concise way.
# freq	1	1	2

# 查看标题字段的值出现的频次
df["title"].value_counts()
# 查看链接字段的值出现的频次
df["link"].value_counts()
# 查看摘要字段的值出现的频次
df["summary"].value_counts()
# 筛选出包含"tutorial"的数据
df[df["title"].str.contains("tutorial") | df["summary"].str.contains("tutorial")]