求问，关于网页数据抓取的问题。

[shierji]

背景如下：
我老师让我分析近年一些新闻网站上出现的化学名词（有一个文本的词库）和相关的频度。
（人家是学化学的啦 - -T）

我现在想到的解决方案是：
首先如果整站mirror下来再做文本分析。这个不用想，数据量就有点太大了。

所以我一开始想的是先通过Google搜索，过滤出含有关键词的网页，再抓取相应的网页下来分析。

URL构造类似下面的：
https://www.google.com/search?q=site:www.guokr.com+%E5%81%8F%E4%BA%8C%E7%94%B2%E8%82%BC&newwindow=1&safe=off&hl=zh-CN&tbs=qdr:m&num=100

通过curl抓取下来。然后过滤URL…… 问题来了。

第一个问题：如何从这么多文本里面过滤出需要的URL，因为我是用guokr来做的，里面的URL类似于：www.guokr.com/post/472922/‎

第二个问题是：Google似乎对curl有严格限制。我抓过几次以后，就显示禁止访问了。难道是跟我频繁更换模拟的user agent有关系？= =

或者说各位对这个有其他比较好的实现没有？

[crazybubble]

第一个问题，可以有很多种解决办法，比如用正则表达式来取guokr的url。
第二个问题的话，google对各种不用api来爬它搜索结果的非法手段都挺严格的，换不换user agent其实影响不大，禁止访问会从多种方面来检验你是不是爬虫的，你可以
1. 试着用api（免费的search api的rate limit我记得也很少），好处是这是获取搜索结果的合法的手段
2. 试着找些代理服务器，适时的换ip
3. 在你的爬虫里随机的休息一段时间，让爬虫不要一直保持高频率的爬取。

[crazybubble]

我有一点好奇，如果你把文本都截取下来了，你要在其中找出化学单词的话，是不是还要对文本分词？这样的话你还要训练你自己的分词器把？

[shierji]

@crazybubble 直接去匹配现成的词库不行么？。。。有好一点的分词器推荐没有？中文跟英文的都要 T T
第一个问题我看了，python似乎有现成的模块，所以我现在在看python的语法……

第二个问题，我试试看Google的搜索API，即使付费我感觉应该也问题不大。导师倒是说了可以出点小钱，我感觉即使有花费应该也不多……

话说免费的每天限制100次貌似……我先试试吧。

[crazybubble]

直接匹配的话，容易发生很多问题，比如有一些化学专有名词可能中文上会有常用的两种写法，我打个比方哦。。我不是很懂化学，二恶英和二噁英，就是2种写法，如果你的词库里只有一种的话，另一种就匹配不到拉，另一个问题就是，比如氯，和氯化钠，其实都属于化学名次，如果在匹配氯的时候，氯化钠出现在文本里，这个氯就会被提取到，这并不是你想要的把？还有一些情况是中文分词的模糊性导致的，比如“这瓶醋酸死我了。。”，那可能你会从这句话里提取到醋酸这个化学名词。。。

中文分词其实github上也有现成的分词器，https://github.com/fxsjy/jieba， 英文的也很多，你可以搜搜看，但是我不确定你这里因为是化学专有名词，分词的效果可能没有那么好。可能需要自己训练，你可以看看52nlp.com上的中文分词的几篇文章。先试试那个github的分词器把，不好的话再自己搞。

[justfindu]

记得google有一个关键筛选的工具~ 是为了投放广告或者做SEO用的~ 就是可以查找关键词被搜索次数频率等~

类似的有: http://www.google.com/trends/ 趋势

[xunyu]

第一个问题python可以的，按行读取正则匹配，
第二个问题多线程，多机器访问试试看行不

[shierji]

@justfindu 您说的跟我这个关系不是很大呢……
@xunyu 第一个问题我正在学python
第二个问题我已经考虑用付费API了