折腾过大型词库的seo人员熟知利用百度凤巢，市面上的工具，规则生成等方法去挖掘关键词，会产生大量不相关的，主题偏移的关键词，如何去除这类词就成了让人头疼的事情。
这里有一个巧妙的方法，比如说我们扩展的是美食类的关键词，先用【美食】去百度上搜，获得大部分美食的网站，然后用这批关键词再去搜索，看看SERP的大部分网站是不是美食类，如果是，那么这个词就是与美食相关的，反之就去除。（据说百度内部也是利用自己的搜索来做一些相关的分类工作，具体有待考证）
先说说优点，可以用程序实现，快速省事可批量，缺点就是某些情况下，过于长尾的词或未被覆盖的词会命中少量的网站，从而被误删，这个也跟你的行业有关。解决办法是人工去看一下计算结果，不断调整清洗规则，总不能期待写个程序就完美解决。我曾经为了调整规则人工抽样看了一个多小时，当时词库数据量蛮大的。
用python实现比较简单，一个是脚本抓SERP，一个脚本做计算，下面是步骤：
1.抓取母词SERP的网站主域形成网站库
2.抓取扩展关键词的SERP，然后提取网站主域
3.计算每个关键词命中网站库的数量
4.调整规则，筛选关键词
其中1，2两步都尽可能通过修改百度url参数rn(搜索结果显示数量，最高50)获得较多的网站来提高准确性
如：
https://www.baidu.com/s?wd=1&rn=50&pn=10
上代码（脚本是很久之前写的，大家看个思路就好，有空再来更新）
1.抓取百度SERP
# coding:utf-8
import urllib,re,threading,random,pycurl,StringIO,time,csv
from bs4 import BeautifulSoup as bs
csvfile = open('src','wb') # 新建一个存放百度数据的csv文件
writer = csv.writer(csvfile,dialect='excel')
#TIME = 0.3
daili_list = [] # 新建一个存放代理IP的列表
# 从daili.txt文件中随机提取出1个IP
def ip():
for x in open('src','r'):
x = x.strip()
daili_list.append(x)
newip = random.choice(daili_list)
daili_list[:] = [] # 新建一个存放代理IP的列表
return newip
# 随机提取一个UA
def getUA():
uaList = [
'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1;+.NET+CLR+1.1.4322;+TencentTraveler)',
'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1;+.NET+CLR+2.0.50727;+.NET+CLR+3.0.4506.2152;+.NET+CLR+3.5.30729)',
'Mozilla/5.0+(Windows+NT+5.1)+AppleWebKit/537.1+(KHTML,+like+Gecko)+Chrome/21.0.1180.89+Safari/537.1',
'Mozilla/4.0+(compatible;+MSIE+6.0;+Windows+NT+5.1;+SV1)',
'Mozilla/5.0+(Windows+NT+6.1;+rv:11.0)+Gecko/20100101+Firefox/11.0',
'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+SV1)',
'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+GTB7.1;+.NET+CLR+2.0.50727)',
'Mozilla/4.0+(compatible;+MSIE+8.0;+Windows+NT+5.1;+Trident/4.0;+KB974489)',
'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36',
'Mozilla/5.0 (Windows NT 5.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/30.0.1599.101 Safari/537.36',
"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET4.0C; .NET4.0E)",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)",
"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)",
"Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"
]
headers = random.choice(uaList)
return headers
# 请求网页源代码，需要传入url，headers两个变量
def getHtml(url,headers):
while 1:
try:
newip = ip()
c = pycurl.Curl()
c.setopt(pycurl.MAXREDIRS,2)
c.setopt(pycurl.REFERER, url)
#c.setopt(pycurl.FOLLOWLOCATION, True)
c.setopt(pycurl.CONNECTTIMEOUT, 10)
c.setopt(pycurl.TIMEOUT,15)
c.setopt(pycurl.ENCODING,'gzip,deflate')
c.setopt(c.PROXY,newip)
c.fp = StringIO.StringIO()
c.setopt(pycurl.URL, url)
c.setopt(pycurl.HTTPHEADER,headers)
c.setopt(c.WRITEFUNCTION, c.fp.write)
c.perform()
code = c.getinfo(c.HTTP_CODE)
html = c.fp.getvalue()
if '="https://verify.baidu.com' in html:
print '出验证码，重试'
continue
elif '302 Found' in html or code != 200:
print '代理失效，重试'
continue
else:
return html
except Exception, e:
print e
continue
# 线程要执行的内容
def getInfo(word):
url = 'https://www.baidu.com/s?wd=%s&rn=50' % urllib.quote_plus(word) # 构造getHTMl()要请求的url
#构造请求头信息
headers = [
"Host: www.baidu.com",
"Connection: keep-alive",
"Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8",
"Upgrade-Insecure-Requests: 1",
"User-Agent: %s" % getUA(),
"Accept-Encoding: gzip, deflate, sdch",
"Accept-Language: zh-CN,zh;q=0.8"
]
html = getHtml(url,headers)
mutex.acquire() #添加锁
soup = bs(html)
tag = soup.find_all('a', {'class':'c-showurl'})
newline = str(tag)
result = "".join(newline)
data = []
data.append(word)
data.append(result)
writer.writerow(data)
print '>> 已抓取：%s' % word
mutex.release() #释放锁
def getRange(l, r):
for i in url_list[l:r]:
getInfo(i)
url_list = []
for line in open('/home/wwwroot/ftpuser/cashwar_seo/seo_scrip/kw_score/jingpin_fc_kw_养殖_new.txt','r'):
word = line.strip()
url_list.append(word)
totalThread = 50 #新建100个线程
gap = (len(url_list) - 1) / totalThread #获取每个线程要抓的网页数
mutex = threading.Lock() #threading.Lock()方法添加互斥锁
for i in range(1, len(url_list),gap):
t = threading.Thread(target=getRange,args=(i, i+gap,))
t.start()
2.分析
#coding:utf-8
import csv,re,os
def main():
csvfile = file('/home/wwwroot/ftpuser/cashwar_seo/seo_scrip/kw_score/serp_html.csv','rb')
reader = csv.reader(csvfile)
csvFinish = file('/home/wwwroot/ftpuser/cashwar_seo/seo_scrip/kw_score/result_finish.csv','wb')
writer = csv.writer(csvFinish,dialect='excel')
for line in reader:
score = 0
data = []
word = line[0]
html = line[1]
print ">> COUNTING: %s" % word
urlFile = open('/home/wwwroot/ftpuser/cashwar_seo/seo_scrip/kw_score/行业网站库.txt','r')
for url in urlFile:
newurl = url.strip()
score_result = re.search(r'%s' % newurl,html)
if score_result:
score += 1
urlFile.close()
data.append(word)
data.append(score)
writer.writerow(data)
#os.system('python /home/wwwroot/ftpuser/cashwar_seo/seo_scrip/kw_score/baidu_data.py') #抓取百度数据
main()
#调用shell命令行分析(当query中含有字母时，SE会对SERP展现的URL里命中的部分加粗，所以使用sed替换<b>)
#os.system("cat result_finish.csv | awk -F, '{print $2}' | grep -v \"no\" | sed 's/<b>//g; s/<\/b>//g'|grep -Po \"(\w+(\-\w+)*\.){1,4}\w{1,}\" >> competitive_cache.txt")
#os.system("cat competitive_cache.txt|sort|uniq -c|sort -nr > competitive_count.txt")
#os.system("rm competitive_cache.txt")
#print rank_dict</b></b>
（注：本文的主要理论来源于@zero发表过的一篇文章，现在找不到了，我进行了具体实现）
文章来源：www.cashwar.cn
Спасибо за информацию!!!!!