Stephen的SEM博客

有一个客户的网站上有上万的页面，我们需要对所有页面进行扫描并且分析是否包含敏感词，避免被搜索引擎降权和违规风险

项目背景

客户提供了一个xml版本的 sitemap的文件，包含网站的全部URL

关于如何获得网站的全部url 可以参考这边文章  免费sitemap 工具生成10万页面XML格式网站地图

思路分析

可用利用excel简单过滤，即可得到所有网站URL，大概一万多个页面，需要通过工具或者写代码的方式抓取页面的内容，并且结合分析每个页面的内容是否包含敏感词库，所以可以分3个步骤来完成

1，获取网页的所有内容，放到excel的一列中，每行第一个单元格放url，第2个单元格放页面所有可见内容，第3个单元格用来判断是否包含敏感词

2，把敏感词库放在excel的另外一个sheet中，合并一列

3，利用公式，遍历网站的内容，并且每个页面的内容去匹配判断是否包含敏感词库里每一行结果

实施细节

Part1， 获取页面内容，

 我们本来使用python来抓取页面，但是考虑到需要大量页面的抓取，需要考虑的因素比较多，从0开始写代码 时间成本太长，需要些各种异常情况判断，如301，302，404 ，502等，并且通过python抓取的内容，需要存放在csv中，这需要额外去增加读写csv的代码，在没有熟悉成熟的框架的情况，该方法不合适（主要没实际掌握如何使用爬虫框架，只会简单语法），于是相当利用网站现场有的工具来爬取页面，免费的用的比较久的网页爬虫软件，推荐使用火车头抓取工具，老品牌，以前学习过，类似的工具应该也有，访问网址http://www.locoy.com，下载最新版本，免费版本有些限制，如不能添加抓取内容的高级规则比如正则过滤等，还有抓取的数据不能使用mysql，也不支持导出为excel，不过后面会有办法解决

下载安装好火车头爬虫后，使用抓取向导，记住使用根据url来抓取，

然后设定提供的url是内容页（否则会打开你提供的url吧里面所有的url都抓取，按就不是一万个页面，是好几万）然后设置抓取内容规则，

 主要先使用body 开头以及body结尾

 再添加字符串前缀补上一个<标签

 再使用去除html

 再替换所有的空格

 既可以得到全部网站文字

设置好爬取的速度，3秒打开一个页面然后开2个线程，同时开2个页面比较好

大概20分钟就可以把1w个页面全部抓取好

part2， 将火车头的数据导出数据到excel

我们使用的是免费的火车头版本，是不能导出数据，查询得知，她的数据文件名后缀是db3，既为sqlite格式的

然后我们走了很多弯路去吧db3的文件转换为excel，先使用sqlitetoexcel，根本不好用

然后使用sqlite expert也无法打开，很多软件是收费版本，无法导出

最后才知道一个波兰的良心软件 sqlite studio

https://sqlitestudio.pl/index.rvt

这个比较好，可以支持打开db3文件并且导出为csv

然后我打开以后是乱码，没关系 使用记事本打开 另存为utf8

然后就可以复制到excel中

至此，即可完成抓取整站内容到excel的工作

接下来就是简单的excel公式通过小找到去匹配关键词库，是否包含即可

excel的公式方法在前面有讲到

http://cotine.blog.hexun.com/115744120_d.html

使用的是模糊匹配（大匹配小）

有一个客户的网站上有上万的页面，我们需要对所有页面进行扫描并且分析是否包含敏感词，避免被搜索引擎降权和违规风险

项目背景

客户提供了一个xml版本的 sitemap的文件，包含网站的全部URL

关于如何获得网站的全部url 可以参考这边文章  免费sitemap 工具生成10万页面XML格式网站地图

思路分析

可用利用excel简单过滤，即可得到所有网站URL，大概一万多个页面，需要通过工具或者写代码的方式抓取页面的内容，并且结合分析每个页面的内容是否包含敏感词库，所以可以分3个步骤来完成

1，获取网页的所有内容，放到excel的一列中，每行第一个单元格放url，第2个单元格放页面所有可见内容，第3个单元格用来判断是否包含敏感词

2，把敏感词库放在excel的另外一个sheet中，合并一列

3，利用公式，遍历网站的内容，并且每个页面的内容去匹配判断是否包含敏感词库里每一行结果

实施细节

Part1， 获取页面内容，

 我们本来使用python来抓取页面，但是考虑到需要大量页面的抓取，需要考虑的因素比较多，从0开始写代码 时间成本太长，需要些各种异常情况判断，如301，302，404 ，502等，并且通过python抓取的内容，需要存放在csv中，这需要额外去增加读写csv的代码，在没有熟悉成熟的框架的情况，该方法不合适（主要没实际掌握如何使用爬虫框架，只会简单语法），于是相当利用网站现场有的工具来爬取页面，免费的用的比较久的网页爬虫软件，推荐使用火车头抓取工具，老品牌，以前学习过，类似的工具应该也有，访问网址http://www.locoy.com，下载最新版本，免费版本有些限制，如不能添加抓取内容的高级规则比如正则过滤等，还有抓取的数据不能使用mysql，也不支持导出为excel，不过后面会有办法解决

下载安装好火车头爬虫后，使用抓取向导，记住使用根据url来抓取，

然后设定提供的url是内容页（否则会打开你提供的url吧里面所有的url都抓取，按就不是一万个页面，是好几万）然后设置抓取内容规则，

 主要先使用body 开头以及body结尾

 再添加字符串前缀补上一个<标签

 再使用去除html

 再替换所有的空格

 既可以得到全部网站文字

设置好爬取的速度，3秒打开一个页面然后开2个线程，同时开2个页面比较好

大概20分钟就可以把1w个页面全部抓取好

part2， 将火车头的数据导出数据到excel

我们使用的是免费的火车头版本，是不能导出数据，查询得知，她的数据文件名后缀是db3，既为sqlite格式的

然后我们走了很多弯路去吧db3的文件转换为excel，先使用sqlitetoexcel，根本不好用

然后使用sqlite expert也无法打开，很多软件是收费版本，无法导出

最后才知道一个波兰的良心软件 sqlite studio

https://sqlitestudio.pl/index.rvt

这个比较好，可以支持打开db3文件并且导出为csv

然后我打开以后是乱码，没关系 使用记事本打开 另存为utf8

然后就可以复制到excel中

至此，即可完成抓取整站内容到excel的工作

接下来就是简单的excel公式通过小找到去匹配关键词库，是否包含即可

excel的公式方法在前面有讲到

http://cotine.blog.hexun.com/115744120_d.html

使用的是模糊匹配（大匹配小）