欧美一级网址,亚洲精品国产高清不卡在线,91最新在线视频

作為一名SEO專業(yè)人士，我的日常任務(wù)也在不斷學(xué)習(xí)。在去年年底開始學(xué)習(xí)Python之后，我發(fā)現(xiàn)自己越來越多地將我所學(xué)的東西付諸實(shí)踐。

這包括相當(dāng)簡單的任務(wù)，例如比較字?jǐn)?shù)或狀態(tài)碼隨時(shí)間的變化，以及分析包括內(nèi)部鏈接和日志文件分析在內(nèi)的工作。

為SEO學(xué)習(xí)Python 分享7個(gè)技巧幫助你做數(shù)據(jù)分析工作

此外，Python還非常有用：

用于處理大型數(shù)據(jù)集
對于通常會(huì)使Excel崩潰并需要復(fù)雜分析以提取任何有意義的見解的文件。

Python如何幫助技術(shù)SEO

Python以多種方式授權(quán)SEO專業(yè)人員自動(dòng)化能力通常需要大量的時(shí)間來完成重復(fù)性的任務(wù)。

這意味著我們有更多的時(shí)間(和精力)用于重要的戰(zhàn)略工作和無法自動(dòng)化的優(yōu)化工作。

它還使我們能夠更有效地處理大量數(shù)據(jù)，以便做出更多數(shù)據(jù)驅(qū)動(dòng)的決策，從而為我們的工作和客戶的工作提供有價(jià)值的回報(bào)。

事實(shí)上，有數(shù)據(jù)公司研究發(fā)現(xiàn)，數(shù)據(jù)驅(qū)動(dòng)型組織獲得客戶的可能性是其他組織的23倍，而留住這些客戶的可能性是6倍。

它對備份你的任何想法或策略也很有幫助，因?yàn)槟憧梢杂媚銚碛械臄?shù)據(jù)來量化這些想法或策略，并在此基礎(chǔ)上做出決策，同時(shí)在努力實(shí)現(xiàn)事情時(shí)也有更大的杠桿作用。

將Python添加到SEO工作流

將Python添加到工作流中的最佳方法是：

想一想什么是可以自動(dòng)化的，尤其是在執(zhí)行乏味的任務(wù)時(shí)。
確定您正在執(zhí)行或已完成的分析工作中的任何差距。

我發(fā)現(xiàn)開始學(xué)習(xí)的另一個(gè)有用的方法是使用你已經(jīng)訪問過的數(shù)據(jù)，并且提取有價(jià)值的見解使用Python

這就是我如何學(xué)會(huì)了我將在本文中分享的大部分東西。

學(xué)習(xí)Python并不是成為一個(gè)好的SEO專家的必要條件，但是如果你有興趣了解更多關(guān)于Python如何幫助你做好準(zhǔn)備的話。

開始需要什么

為了從本文中獲得最佳效果，您需要以下幾點(diǎn)：

來自網(wǎng)站的一些數(shù)據(jù)(例如，對網(wǎng)站的爬網(wǎng)、統(tǒng)計(jì)分析或搜索控制臺(tái)數(shù)據(jù))。
一個(gè)運(yùn)行代碼的IDE(集成開發(fā)環(huán)境)，對于入門我推薦Google Colab或Jupyter Notebook .
開放的心態(tài)。這也許是最重要的一點(diǎn)，不要害怕打破某些東西或犯錯(cuò)誤，找到問題的原因和解決問題的方法是我們作為SEO專業(yè)人士所做的工作的一個(gè)重要部分，因此將同樣的心態(tài)應(yīng)用于學(xué)習(xí)Python有助于減輕任何壓力。

1、善用網(wǎng)絡(luò)現(xiàn)有的資源

一個(gè)很好的開始是嘗試Python中可用的許多庫中的一些。

有很多要探索的庫，但我發(fā)現(xiàn)對SEO相關(guān)任務(wù)最有用的三個(gè)任務(wù)是Pandas，Requests和Beautiful Soup。

Pandas

Pandas是一個(gè)用于處理表數(shù)據(jù)的Python庫，它允許在關(guān)鍵數(shù)據(jù)結(jié)構(gòu)是數(shù)據(jù)幀的情況下進(jìn)行高級(jí)數(shù)據(jù)操作。

數(shù)據(jù)幀本質(zhì)上是Pandas的Excel電子表格但是，它不僅限于Excel的行和字節(jié)限制，而且比Excel快得多，因此效率更高。

開始使用Pandas的最佳方法是獲取一個(gè)簡單的CSV數(shù)據(jù)，例如，對您的網(wǎng)站進(jìn)行爬網(wǎng)，并將其保存在Python中作為一個(gè)DataFrame。

一旦你有了這個(gè)存儲(chǔ)，你就可以執(zhí)行許多不同的分析任務(wù)，包括聚合、透視和清理數(shù)據(jù)。

import pandas as pd

df = pd.read_csv("/file_name/and_path")

df.head

requests

下一個(gè)庫名為requests，用于在Python中發(fā)出HTTP請求。

它使用不同的請求方法(如GET和POST)發(fā)出請求，結(jié)果存儲(chǔ)在Python中。

其中一個(gè)例子是一個(gè)簡單的URL GET請求，它將打印出一個(gè)頁面的狀態(tài)代碼，然后可以使用它來創(chuàng)建一個(gè)簡單的決策函數(shù)。

import requests

#Print HTTP response from page

response = requests.get('https://www.xxxxxxxx.com')

print(response)

#Create decision making function

if response.status_code == 200:

    print('Success!')

elif response.status_code == 404:

    print('Not Found.')

您還可以使用不同的請求，例如headers，它顯示關(guān)于頁面的有用信息，例如內(nèi)容類型和緩存響應(yīng)所需時(shí)間的時(shí)間限制。

#Print page header response

headers = response.headers

print(headers)

#Extract item from header response

response.headers['Content-Type']

為SEO學(xué)習(xí)Python 分享7個(gè)技巧幫助你做數(shù)據(jù)分析工作

此外，還可以模擬特定的用戶代理，例如Googlebot，以便提取該特定bot在抓取頁面時(shí)看到的響應(yīng)。

headers = {'User-Agent': 'Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)'}

ua_response = requests.get('https://www.xxxx.com/', headers=headers)

print(ua_response)

Beautiful Soup

最后一個(gè)庫名為Beautiful Soup，用于從HTML和XML文件 .

它最常用于web抓取，因?yàn)樗梢詫TML文檔轉(zhuǎn)換為不同的Python對象。

例如，您可以獲取一個(gè)URL，并使用beautifulsoup和Requests庫一起提取頁面的標(biāo)題。

#Beautiful Soup

from bs4 import BeautifulSoup

import requests

#Request URL to extract elements from

url= 'https://www.xxxxxxxxx.com/knowledge/technical-seo-library/'

req = requests.get(url)

soup = BeautifulSoup(req.text, "html.parser")

#Print title from webpage

title = soup.title

print(title)

此外，Beautiful Soup允許您從頁面中提取其他元素，例如頁面上找到的所有a href鏈接。

for link in soup.find_all('a'):

print(link.get('href'))

2、分段分割頁面

第一個(gè)任務(wù)涉及到對網(wǎng)站的頁面進(jìn)行細(xì)分，這實(shí)際上是根據(jù)頁面的URL結(jié)構(gòu)或頁面標(biāo)題將頁面按類別分組。

首先，使用簡單的正則表達(dá)式根據(jù)URL將網(wǎng)站分成不同的段：

segment_definitions = [

    [(r'\/blog\/'), 'Blog'],

    [(r'\/technical-seo-library\/'), 'Technical SEO Library'],

    [(r'\/hangout-library\/'), 'Hangout Library'],

    [(r'\/guides\/'), 'Guides'],

    ]

接下來，我們添加一個(gè)小函數(shù)，它將遍歷URL列表并為每個(gè)URL分配一個(gè)類別，然后將這些段添加到包含原始URL列表的DataFrame中的新列中。

use_segment_definitions = True

def segment(url):



    if use_segment_definitions == True:

        for segment_definition in segment_definitions:

            if re.findall(segment_definition[0], url):

                return segment_definition[1]

        return 'Other'

df['segment'] = df['url'].apply(lambda x: get_segment(x))

還有一種方法可以使用URL結(jié)構(gòu)在不必手動(dòng)創(chuàng)建片段的情況下對頁面進(jìn)行分段。這將獲取包含在主域后面的文件夾，以便對每個(gè)URL進(jìn)行分類。

同樣，這將向我們的DataFrame添加一個(gè)新列，其中包含生成的段。

def get_segment(url):



        slug = re.search(r'https?:\/\/.*?\//?([^\/]*)\/', url)

        if slug:

            return slug.group(1)

        else:

            return 'None'

# Add a segment column, and make into a category

df['segment'] = df['url'].apply(lambda x: get_segment(x))

為SEO學(xué)習(xí)Python 分享7個(gè)技巧幫助你做數(shù)據(jù)分析工作

三、重定向相關(guān)性

如果我不了解使用Python可能實(shí)現(xiàn)的任務(wù)，那么我將從未考慮過要完成此任務(wù)。

在遷移之后，當(dāng)重定向到位時(shí)，我們希望通過查看每個(gè)頁面的類別和深度是否已更改或保持不變來確定重定向映射是否準(zhǔn)確。

這涉及到在遷移前和遷移后對站點(diǎn)進(jìn)行爬網(wǎng)，并根據(jù)其URL結(jié)構(gòu)對每個(gè)頁面進(jìn)行分段，如上所述。

在這之后，我使用了一些簡單的比較運(yùn)算符(它們內(nèi)置于Python中)來確定每個(gè)URL的類別和深度是否發(fā)生了更改。

df['category_match'] = df['old_category'] == (df['redirected_category'])

df['segment_match'] = df['old_segment'] == (df['redirected_segment'])

df['depth_match'] = df['old_count'] == (df['redirected_count'])

df['depth_difference'] = df['old_count'] - (df['redirected_count'])

由于這本質(zhì)上是一個(gè)自動(dòng)化的腳本，它將在每個(gè)URL中運(yùn)行以確定類別或深度是否已更改，并將結(jié)果作為新的數(shù)據(jù)幀輸出。

新的DataFrame將包含額外的列，如果它們匹配，則顯示True;如果不匹配，則顯示False。

就像在Excel中一樣，Pandas庫使您能夠基于原始數(shù)據(jù)幀的索引來透視數(shù)據(jù)。

例如，獲取遷移后有多少URL具有匹配的類別。

此分析將使您能夠查看已設(shè)置的重定向規(guī)則，并確定是否存在遷移前后差異較大的類別，這些類別可能需要進(jìn)一步調(diào)查。

4、內(nèi)部鏈接分析

分析內(nèi)部鏈接對于確定站點(diǎn)的哪些部分鏈接最多，以及發(fā)現(xiàn)改進(jìn)站點(diǎn)內(nèi)部鏈接的機(jī)會(huì)非常重要。

為了執(zhí)行此分析，我們只需要從web爬網(wǎng)中獲取一些數(shù)據(jù)列，例如，顯示頁面之間鏈接的任何度量。

再次，我們想分割這些數(shù)據(jù)，以便確定網(wǎng)站的不同類別并分析它們之間的鏈接。

internal_linking_pivot['followed_links_in_count'] = (internal_linking_pivot['followed_links_in_count']).apply('{:.1f}'.format)

internal_linking_pivot['links_in_count'] = (internal_linking_pivot2['links_in_count']).apply('{:.1f}'.format)

internal_linking_pivot['links_out_count'] = (internal_linking_pivot['links_out_count']).apply('{:.1f}'.format)

internal_linking_pivot