DATA MINING RELOADED In 30 Minuten zum eigenen Scraper

Jens Bonerz – SEO CAMPIXX 2016

Hallo ich bin Jens

Off Price GmbH, Leitung Marketing TeamEuropaweiter E-Commerce Händler mit Webshops, Amazon,

Ebay, Adwords, PLA, AMZ PPC, Ebay Ads, Affiliate... Daten ohne Ende!

Und sonst?Berater für datengetriebene E-Commerce Projekte, Amazon Vendor Central,

Datenmigrationen, Datenanalysen, Anti-Scraping Konzepte, Data Mining

Du findest mich bei XING und LinkedIn

Lieblings-Tools

Data AnalyticsSAS, Elastic

Machine LearningGoogle Tensorflow, Caffe

Data MiningPython, Scrapy

Schweizer Messer für Scraping

Scrapy https://github.com/scrapy/scrapy

• Free, open-source, Python• Cookies, Delays, Timeouts, Proxies, User Agents• Paralleles asynchrones Scrapen• Leistungsstarke Selektoren zum Parsen• Datenqualität durch Contracts• Local Crawl Cache• Erweiterbar (z.B PhantomJS)

Scrapy scraped Seiten, bei denen Standardtools wie Scrape Box et al. aussteigen.

Datenanalyse

Elastic http://elastic.io

• Real Time Search & Analytics• Free, open-source, Java, RESTful API• Schnell, invertierter Index über alle Dokumente• Schemalos, kein Datenbankmodell notwendig• Skalierbar, Sharding und Replikation über mehrere Nodes• Scrolling zum speichereffizienten Streamen von Daten• Handling von vielen Hundert Millionen Dokumenten

Durch frei verfügbare Erweiterungen, die perfekte Data Analytics Lösung für Scrapy

Scrapen? Dann wenn es keine API gibt.

• Preise des Wettbewerbs• Sortiment des Wettbewerbs• Kampagnen des Wettbewerbs• Monitoring der eigenen Shops und Angebote• Inhouse-Tools (z.B. Alertsystem für Negativ-

Rezensionen)

Es gibt nichts, was man mit denrichtigen Tools nicht scrapen kann…

Wir scrapen in unseremBeispiel nur einen geringen

Teil der Daten.Weitgehender Konsens bei den Gerichten ist heute (bislang keine umfassende höchstrichterliche Entscheidung), dass – wenn weder wesentliche Teile einer

Datenbank kopiert werden, noch es zur technischen Überlastung der gescrapten Seite kommt – automatisiertes Sammeln von Daten zulässig ist, solange

die Seite rechtlich und technisch frei zugänglich ist. 

Lass Dich im Zweifel juristisch beraten, wenn Dein Geschäftsmodell auf Scraping basiert.

LASSET DIE SPIELE BEGINNEN

Mitschreiben nicht nötig. Gib mir Deine Karte nach der Session und Du erhältst die PPT per Mail.

Ist diese Seite scrapebar?

https://www.zvg-portal.de

Bundesweite Datenbank aller Zwangsversteigerungen

Tricky!• Kein Crawl möglich • Einstieg über Suche• Referrer

Scrapen mit Standardtools? Nope.

Das machen wir mit Scrapy.

# Scrapy installieren$> pip install scrapy

# Elasticsearch installieren$> apt-get install elasticsearch

# Elasticsearch Pipeline installieren$> pip install ScrapyElasticSearch

# Neues Scrapy Projekt erstellen $> scrapy startproject campixx16

# In Projekt wechseln $> cd campixx16

# Spider erstellen $> scrapy genspider versteigerung https://www.zvg-portal.de/

# Automatisch generierte Projektstruktur $> tree

── campixx16 ├── __init__.py ├── __init__.pyc ├── items.py ├── pipelines.py ├── settings.py ├── settings.pyc └── spiders ├── __init__.py ├── __init__.pyc └── versteigerung.py── scrapy.cfg

2 Verzeichnisse, 10 Dateien

# Datenfelder definieren in items.py $> nano ./campixx16/items.py

class CrawlItem(Item):

document_url = Field() title = Field() aktenzeichen = Field() beschreibung = Field() timestamp = Field() ... usw.

# Elasticsearch Schnittstelle in settings.py $> nano ./campixx16/settings.py

ITEM_PIPELINES = [scrapyelasticsearch.scrapyelasticsearch.ElasticSearchPipeline]

ELASTICSEARCH_SERVER = 'http://127.0.0.1' ELASTICSEARCH_PORT = 9200 ELASTICSEARCH_INDEX = 'scrapy'ELASTICSEARCH_TYPE = 'items'ELASTICSEARCH_UNIQ_KEY = 'url'

# Scraper bearbeiten $> nano ./campixx16/spiders/versteigerung.py

# -*- coding: utf-8 -*-import scrapyfrom scrapy.spiders import BaseSpiderfrom demo.items import CrawlItemfrom scrapy.http import FormRequestfrom scrapy.http import Requestimport datetime

……

# Scraper starten$> scrapy crawl versteigerung

Q&A Runde

Fragen?

jens@hightechmg.com

oder bei LinkedIn und Xing

„If broken it is, fix it you must“

Master Yoda