Вредоносное ПО (malware) - это назойливые или опасные программы,...
18.03.2016 1144
После серии наших статей о big data и сборе данных (ссылки - Анализ рынка недвижимости , Прогноз зарплаты по описанию вакансии), мы получили кучу заявок на новые проекты по парсингу. Клиенты хотят собирать всё и вся - от данных по посещенным страницам и каталогам конкурентов, до сведений о выгуле собак (было предложение разработать приложение, связанное с таким событием).
Мы столкнулись с рядом однотипных вопросов и решили подготовить мини-ликбез по тематике сбора и обработки данных - парсингу.
1. Что такое парсинг?
Под парсингом мы подразумеваем сбор определенной информации в интернете в целом, или с конкретного ресурса - базы данных, веб-сайта, файла. С ресурсов можно собирать и все подряд, но как правило зада состоит в том, чтобы собрать что-то конкретное. Например, в задаче по анализу объявлений о продаже автомобилей мы собирали с Авито, Автору, Дром, и т. д. свойства автомобилей и их цену. При создании сервиса по недвижимости, мы собирали объявления по продаже квартир. В данной статье мы будем говорить о сборе данных с веб-сайтов.
2. Как происходит сбор данных? Настройка параметров парсера.
Программисты создают роботов, которые обходят заданные ресурсы (веб-сайты), просматривают все их страницы и собирают все данные, которые отвечают заданным параметрам, в подготовленную базу данных. Как правило, хоть информация везде может быть одной и той же (в примере с автомобилем, объем двигателя, пробег и т. п. для объявления на Авито и Автору одинаковые), но предоставление ее на сайтах будет разным - даже в силу того, что каждый сайт имеет уникальное оформление - читай код html.
В связи с этим, для каждого ресурса создается свое правило сбора данных, перед этим программисты анализируют страницу с данными и вырабатывают решение - в каком месте отображается необходимая информация, скрыта ли она, в каком виде представлена. Весь этот процесс по сути и означает настройку парсера.
Если необходимо собирать данные часто и с некоторых ресурсов, для удобства создается панель управления парсером, в которой задаются правила сбора (предварительно разработанные), отображается журнал работы парсера, статистика, а также предпросмотр "сырых" собранных данных. Не лишним будет настроить уведомления о возникающих ошибках, сбоях самого парсера, изменении структуры информации на целевом ресурсе.
Без панели управления тяжело анализировать работу сборщиков данных, невозможно быстро среагировать в случае возникновения проблем.
3. Возможные проблемы.
Владельцы многих популярных площадок и сайтов не любят, когда собирают с них информацию, для этого они усложняют структуру страницы (путают html-код), закрывают информацию невидимыми слоями, либо делают так, что страница генерируется только в браузере посетителя (физически на сервере просто нет такой страницы). В последнее время многие ресурсы просто отключают соединение, если понимают по запросам, что их парсят, особо наглых банят. Причем, некоторые из них чередуют и периодически меняют способы блокировки.
4. Как происходит обработка собранных данных.
Собрать "сырую" информацию - это полдела. Информация должна собираться в базу в единых единицах измерения, в корректном написании, учитывать возможные опечатки и ошибки кодировки. Ее надо разложить по полочкам, отделить зерна от плевел, так сказать. Для этого программисты создают дополнительные обработчики данных. Они проверяют массив собранных данных, убирают лишние пробелы, исправляют базовые опечатки. Обработчики позволяют избежать ошибки при дальнейшем анализе данных, и их использовании.
5. Что необходимо предусмотреть?
При составлении ТЗ для создания парсера у вас должны быть ответы на следующие вопросы:
- Какие конкретно данные вы бы хотели получить. Например, ссылка на объявление; характеристики-значение "Объем двигателя", "Пробег", "Тип КП", "Привод" и т. д.
- С каких ресурсов будет идти сбор (веб-сайты);
- Отдаются ли данные напрямую, нет ли блокировок по трафику/запросам, нет ли блоков на самих страницах;
- Разработал ли программист правило сбора с ресурса;
- Предусмотрено ли задание/изменение параметров сбора? Будет ли панель управления с журналом работы и статистикой работы парсера;
- Как вы будете узнавать о проблемах и ошибках работы парсера;
- Куда будут собираться данные, продумайте структуру и содержание базы данных;
- Что делать если в данных будет много мусора и ошибок, какие параметры для оценки качества сбора, какие возможны опечатки и некорректные заполнения;
6. Вместо итога
Мы бегло разобрали что такое сбор данных-парсинг, как он осуществляется и какие проблемы могут возникнуть.
Мы накопили огромный опыт в сфере сбора и анализа данных, наши программисты сочетают множество методов для обхода блокировок (виртуальные машины на базе Силениум, эмуляция поведенческих факторов, запросы с разных серверов и т. д.).
Если у вас есть интересный проект или хотя бы идея - мы открыты!
Очень часто в Интернете можно столкнуться с таким понятием, как «парсинг». Что это такое и для чего нужно? Бывает так, что программистам дают задание спарсить какой-либо сайт. Или обычный пользователь сталкивается с таким термином и не знает его значения.
Определение
Если взять общий смысл, то парсинг - это когда последовательность слов линейно сопоставляется с правилами конкретного языка, который может быть любым человеческим, используемым при коммуникации. Также это может быть формализованный язык, например язык программирования.
А в отношении сайтов в качестве ответа на вопросы про парсинг - "что это такое", "зачем используется" - можно сказать, что это процесс последовательного синтаксического анализа той информации, которая размещена на веб-страницах. Текст здесь является набором данных, который иерархически упорядочен и структурирован при помощи компьютерного и человеческого языка. Последний дает непосредственно информацию, за которой люди и приходят. А языки программирования задают способы отображения этих данных на мониторе пользователя.
Поиск контента
Когда владелец только создает свой сайт, перед ним встает проблема: откуда брать контент для заполнения? Самым оптимальным вариантом является поиск в глобальной сети. Ведь там знаний бесконечно много. Но тут же возникают и некоторые сложности:
- Так как интернет постоянно растет и развивается, то ясно, что сайт должен содержать огромные объемы информации, чтобы иметь преимущество над конкурентами. Сегодня контента должно быть очень много. А вручную заполнить таким количеством информации сайт очень трудно.
- Так как человек не в состоянии обслуживать бесконечный поток постоянно меняющейся информации, необходим парсинг. Что это даст? Автоматизацию процесса сбора информации и ее изменения.
Плюсы парсера
Программа, осуществляющая процесс парсинга, в сравнении с человеком обладает рядом преимуществ:
- Она быстро пройдется по тысячам интернет-страниц.
- Без проблем разделит технические данные и нужную человеку информацию.
- Без ошибок отбросит ненужное, оставив только то, что необходимо.
- Произведет упаковку данных в необходимый для пользователя вид.
Конечно, итоговый результат все еще будет нуждаться в некоторой обработке. И неважно, будет или же база данных. Но это уже гораздо легче, чем если делать все вручную, а не использовать парсинг. Что это дает, совершенно ясно - экономию времени и сил.
Разработка
Для создания парсеров используются самые разные языки программирования. Самыми распространенными являются Это означает, что на них пишутся сценарии. Что такое скрипт и проведенный с помощью таких языков, будет рассмотрено далее.
Создание программы-парсера не требует серьезных знаний о языке программирования. Необязательны и фундаментальные сведения о технологиях. Но что-то знать все-таки необходимо. Итак, чтобы знать, как создать парсинг, то есть программу-анализатор, нужно усвоить следующее:
- Для первоначального алгоритма функционирования программы нужен тщательный анализ исходного кода веб-страницы, являющейся донором. Тут не обойтись хотя бы без средних знаний технологий верстки. Это и язык JavaScript.
- Чтобы погрузиться в тему поглубже, нужно изучить технологию под названием DOM. Она дает возможность очень эффективно работать с иерархией веб-страницы.
- Самый трудный этап - написание парсера. Здесь нужно владеть инструментом для обработки текста. Опытные программисты чаще всего используют для этой цели регулярные выражения, являющиеся достаточно мощным средством. Но это под силу далеко не каждому разработчику. Тут нужно особое мышление. Оптимальным решением будет использование уже готовых библиотек, которые создавались специально под парсинг. Что это за библиотеки? Это упакованный программный код, который уже содержит все функции для анализа.
- Очень желательно разбираться в объектно-ориентированном программировании, которое поддерживается любым языком программирования.
- Завершающий этап обработки результатов анализа предполагает, что данные будут структурированы и сохранены. Тут не обойтись без знаний баз данных.
- Нужны знания и владение функциями, служащими для работы с файлами. Ведь данные нужно будет записывать в эти самые файлы, а потом, возможно, конвертировать в формат электронных таблиц.
Этапы
Если все требования соблюдены, то дальнейший процесс можно разделить на этапы:
- На первом этапе парсинга получают исходный код интернет-страницы.
- Следующий шаг - извлечение нужных данных из кода разметки. Здесь отбрасывается ненужный код, вся информация выстраивается по иерархии.
- После успешной обработки данных, их необходимо сохранить в том виде, который можно будет в дальнейшем обрабатывать.
- Так как сайт состоит не из одной страницы, а из множества, алгоритм должен уметь переходить на последующие страницы.
Итак, парсинг - что это такое? Это процесс анализа содержимого сайта и вычленения нужной информации. Используя вышеописанные сведения, можно наполнять свои сайты большим количеством контента автоматически. А это дает возможность выиграть время и победить в сложной конкуренции на рынке сайтостроителей.
