Data Mining Reloaded - In 30 Minuten zum eigenen Scraper

1. DATA MINING RELOADED
In 30 Minuten zum eigenen Scraper
Jens Bonerz – SEO CAMPIXX 2016

2. Hallo ich bin Jens
Off Price GmbH, Leitung Marketing Team
Europaweiter 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

3. Lieblings-Tools
Data Analytics
SAS, Elastic
Machine Learning
Google Tensorflow, Caffe
Data Mining
Python, Scrapy

4. 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.

5. 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

6. 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 den
richtigen Tools nicht scrapen kann…

7. Wir scrapen in unserem
Beispiel 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.

8. LASSET DIE SPIELE BEGINNEN
Mitschreiben nicht nötig. Gib mir Deine Karte nach
der Session und Du erhältst die PPT per Mail.

9. 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.

10. # Scrapy installieren
$> pip install scrapy
# Elasticsearch installieren
$> apt-get install elasticsearch
# Elasticsearch Pipeline installieren
$> pip install ScrapyElasticSearch

11. # Neues Scrapy Projekt erstellen
$> scrapy startproject campixx16
# In Projekt wechseln
$> cd campixx16
# Spider erstellen
$> scrapy genspider versteigerung https://www.zvg-portal.de/

12. # 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

13. # Datenfelder definieren in items.py
$> nano ./campixx16/items.py
class CrawlItem(Item):
document_url = Field()
title = Field()
aktenzeichen = Field()
beschreibung = Field()
timestamp = Field()
...
usw.

14. # 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'

15. # Scraper bearbeiten
$> nano ./campixx16/spiders/versteigerung.py
# -*- coding: utf-8 -*-
import scrapy
from scrapy.spiders import BaseSpider
from demo.items import CrawlItem
from scrapy.http import FormRequest
from scrapy.http import Request
import datetime
…
…

16. # Scraper starten
$> scrapy crawl versteigerung

17. Q&A Runde
Fragen?
jens@hightechmg.com
oder bei LinkedIn und Xing

18. „If broken it is,
fix it you must“
Master Yoda