有没有花几个小时分析谷歌搜索结果，最终比以前更沮丧和困惑？

Python没有。

在本文中，我们将探讨为什么Python是Google搜索分析的理想选择，以及它如何简化和自动化原本耗时的任务。

我们还将从头到尾在Python中执行SEO分析。 并提供代码供您复制和使用。

但首先，一些背景。

为什么使用Python进行Google搜索和分析

Python被称为一种多功能，易于学习的编程语言。 它在处理Google搜索数据方面非常出色。

为啥?

以下是一些关键原因，指出Python是抓取和分析Google搜索结果的首选:

Python易于阅读和使用

Python的设计考虑了简单性。 因此，您可以专注于分析Google搜索结果，而不是纠结于复杂的编码语法。

它遵循易于掌握的语法和风格。 与其他语言相比，它允许开发人员编写更少的代码行。

Python拥有装备精良的库

Python库是开发人员创建的可重用代码块，您可以在脚本中引用这些代码来提供额外的功能，而无需从头开始编写。

Python现在拥有丰富的库，如:

• Googlesearch，请求和美丽的汤为web刮
• 用于数据分析的Pandas和Matplotlib

这些库是强大的工具，可以有效地抓取和分析来自Google搜索的数据。

Python提供来自大型社区和ChatGPT的支持

您将在您承担的任何Python项目中得到很好的支持，包括Google搜索分析。

因为Python的流行导致了一个庞大的、活跃的开发者社区。 和丰富的教程，论坛，指南和第三方工具。

当您无法为搜索分析项目找到预先存在的Python代码时，ChatGPT很可能会提供帮助。

使用ChatGPT时，我们建议提示它:

• 作为Python专家和
• 帮助解决问题

然后，状态:

• 目标（"查询Google"）和
• 所需的输出（"查询的最简单版本"）

设置Python环境

在使用Python抓取和分析Google搜索结果之前，您需要设置Python环境。

有很多方法可以让Python启动并运行。 但开始分析谷歌搜索引擎结果页面的最快方法之一（塞尔维亚人）用Python是谷歌自己的笔记本环境:谷歌Colab.

以下是开始使用谷歌Colab是多么容易:

1. 访问谷歌Colab：打开web浏览器并转到谷歌Colab. 如果您有Google帐户，请登录。 如果没有，请创建一个新帐户。

2. 创建一个新的笔记本：在谷歌Colab中，点击"档案”> “新的 笔记本"来创建一个新的Python笔记本。

3. 检查安装：为了确保Python正常工作，请通过输入并执行下面的代码来运行一个简单的测试。 谷歌Colab会向您显示当前安装的Python版本:

那不是很简单吗？

在您执行实际的Google搜索之前，只需再进行一步。

导入Python Googlesearch模块

使用googlesearch-python包使用Python抓取和分析Google搜索结果。 它提供了一种以编程方式执行Google搜索的便捷方式。

只需在代码单元格中运行以下代码即可访问此Python Google搜索模块:

使用谷歌Colab的一个好处是预先安装了googlesearch-python包。 所以，没有必要先这样做。

一旦你看到消息"Googlesearch包安装成功！"

现在，我们将探讨如何使用该模块执行Google搜索。 并从搜索结果中提取有价值的信息。

如何使用Python执行Google搜索

要执行Google搜索，请编写并运行几行代码，指定您的搜索查询，显示多少结果以及其他一些详细信息（下一节将详细介绍此内容）。

然后，您将看到查询"long winter coat"的前三名Google搜索结果。"

这是它在笔记本上的样子:

要验证结果是否准确，您可以使用关键字概述.

打开工具，在搜索框中输入"long winter coat"，并确保位置设置为"U.s."并单击"搜索."

向下滚动到"SERP分析"表。 你应该在前三个点看到相同（或非常相似）的网址。

关键字概述还向您显示了Python无法访问的许多有用数据。 喜欢每月搜索量（全球和您选择的位置）,关键词难度（表示在给定术语的前10名结果中排名有多困难的分数）,搜索意图（用户查询背后的原因），等等。

用Python理解你的谷歌搜索

让我们通过我们刚刚运行的代码。 因此，您可以了解每个部分的含义以及如何根据您的需求进行调整。

我们将回顾下图中突出显示的每个部分:

1. 查询变量：查询变量存储要在Google上执行的搜索查询
2. 搜索功能：搜索功能提供各种参数，允许您自定义搜索和检索特定结果:
   1. 查询：告诉搜索功能要搜索的短语或单词。 这是唯一必需的参数，因此搜索函数将在没有它的情况下返回错误。 这是唯一必需的参数；以下所有参数都是可选的。
   2. 顶级域名(顶级域名的简称)：允许您确定要在哪个版本的Google网站中执行搜索。 将其设置为"com"将搜索google.com;将其设置为"fr"将搜索google.fr...
   3. 朗：允许您指定搜索结果的语言。 并接受两个字母的语言代码（例如，"en"表示英语）。
   4. 停止：设置搜索功能的搜索结果的编号。 我们将搜索限制在前三个结果中，但您可能希望将值设置为"10"。”
   5. 停顿一下：指定发送到Google的连续请求之间的时间延迟（以秒为单位）。 设置适当的暂停值（我们建议至少为10）可以帮助避免因太快发送太多请求而被Google阻止。
3. 对于循环序列：这行代码告诉循环逐个遍历"results"集合中的每个搜索结果，将每个搜索结果URL分配给变量"result"
4. 对于循环动作：此代码块遵循for循环序列（缩进），并包含要对每个搜索结果URL执行的操作。 在这种情况下，它们被打印到谷歌Colab中的输出区域。

如何使用Python分析Google搜索结果

使用Python抓取Google搜索结果后，您可以使用Python分析数据以提取有价值的见解。

例如，您可以确定哪些关键字的Serp足够相似，可以针对单个页面。 意思是Python正在做涉及的繁重工作关键字聚类.

让我们坚持我们的查询"长冬大衣"作为起点。 把它塞进关键字概述揭示超过3,000个关键字变化。

为了简单起见，我们将坚持上面可见的五个关键字。 并让Python通过在我们的谷歌Colab笔记本中的新代码单元格中创建和执行此代码来分析和集群它们:

通过14行代码和十几秒的等待执行，我们现在可以看到这些查询的前三个结果是相同的:

• "冬季长外套"
• "长冬大衣女"
• "女式冬衣"
• "女性冬季长外套"
• "冬季长外套"

因此，这些查询可以使用相同的页面进行定位。

此外，你不应该尝试为"长冬大衣"或"长冬大衣"排名，并为男士提供大衣。

使用Python了解您的Google搜索分析

再次，让我们通过我们刚刚执行的代码。 这次有点复杂，但我们刚刚产生的见解也更有用。

1. 导入pandas作为pd:导入Pandas库并使其可通过缩写"pd."我们将使用Pandas库创建一个"DataFrame"，它本质上是Python输出区域内的一个表。

2. Main_query="python谷歌搜索"：定义要在Google上搜索的主要查询

3. Secondary_queries=["google搜索python","google搜索api python","python搜索google","如何抓取google搜索结果python"]：创建要在Google上执行的查询列表。 您可以粘贴更多的查询，并为您创建数百个Python集群。

4. Main_results=search（main_query，tld="com"，lang="en"，stop=3，pause=2）：执行主查询并将搜索结果存储在main_results中。 我们将结果数量限制为三个（stop=3），因为Google搜索结果中的前三个网址通常在满足用户的搜索意图方面做得最好。

5. Main_urls=set（main_results）：将主查询的搜索结果转换成一组Url并存储在main_urls中

6. Url_percentages={}：初始化空字典（具有固定值对的列表），以存储每个查询的URL百分比

7. 对于secondary_queries中的secondary_query ::启动循环，循环遍历辅助查询列表中的每个辅助查询

8. Secondary_results=搜索（secondary_query，tld="com"，lang="en"，stop=3，pause=2）:执行当前辅助查询并将搜索结果存储在secondary_results中。 我们将结果数量限制为三个（停止=3），原因与我们前面提到的相同。

9. Secondary_urls=set（secondary_results）：将当前二级查询的搜索结果转换成一组Url并存储在secondary_urls中

10. 百分比=(len(main_urls.intersection(urls))/len(main_urls))*100:计算主查询结果和当前辅助查询结果中出现的Url的百分比。 结果存储在变量百分比中。

11. Url_percentages[secondary_query]=百分比:将计算的URL百分比存储在url_percentages字典中，以当前辅助查询为键

12. Df_url_percentages=pd。DataFrame(url_percentages.items(),columns=['Secondary 查询','Percentage']):创建一个Pandas DataFrame，用于保存第一列中的辅助查询以及它们与第二列中的主查询的重叠。 Columns参数（为表添加了三个标签）用于指定DataFrame的列名。

13. Df_url_percentages=df_url_percentages。sort_values(by='Percentage',ascending=False):根据百分比列中的值对数据帧df_url_percentages进行排序。 通过设置ascending=False，数据帧将从最高值到最低值进行排序。

14. Df_url_percentages：在谷歌Colab输出区域显示排序后的DataFrame。 在大多数其他Python环境中，您必须使用print()函数来显示DataFrame。 但不是在谷歌Colab-加上表是交互式的。

简而言之，此代码执行一系列Google搜索，并显示每个辅助查询和主查询的前三个搜索结果之间的重叠。

重叠越大，您对具有相同页面的主查询和辅助查询进行排名的可能性就越大。

可视化您的Google搜索分析结果

可视化谷歌搜索分析的结果可以提供一个清晰和直观的数据表示。 并使您能够轻松地解释和交流发现。

当我们将关键字聚类代码应用于不超过20或30个查询时，可视化就派上用场了。

注：对于较大的查询样本，我们将要创建的条形图中的查询标签将相互渗透。 这使得上面创建的DataFrame对于聚类更有用。

您可以使用Python和Matplotlib使用此代码将URL百分比可视化为条形图:

我们将快速再次运行代码:

1. Sorted_percentages=sorted(url_percentages.items(),key=lambda x:x[1],reverse=True):这指定URL百分比字典(url_percentages)使用sorted()函数按值降序排序。 它创建一个按URL百分比排序的元组（值对）列表。

2. Sorted_queries，sorted_percentages=zip（*sorted_percentages）:这表示使用zip()函数和*运算符将元组的排序列表解压缩为两个单独的列表（sorted_queries和sorted_percentages）。 Python中的*运算符是一种工具，可让您将集合分解为其各个项

3. Plt的。酒吧（sorted_queries，sorted_percentages）：这使用plt创建条形图。bar()从Matplotlib. 排序后的查询分配给x轴(sorted_queries)。 和相应的URL百分比分配给y轴(sorted_percentages)。

4. Plt的。xlabel("查询")：这为x轴设置标签"查询"

5. Plt的。ylabel("URL百分比")：这为y轴设置标签"URL百分比"

6. Plt的。标题（"搜索结果中的URL百分比"）：这将图表的标题设置为"搜索结果中的URL百分比"

7. Plt的。xticks（旋转=45）：这使用plt将x轴刻度标签旋转45度。xticks()更好的可读性

8. Plt的。伊利姆(0,100)：这使用plt将y轴限制从0设置为100。ylim()以确保图表适当地显示URL百分比

9. Plt的。紧_layout()：此功能调整子图之间的填充和间距，以改善图表的布局

10. Plt的。表演()：此功能用于显示可视化您的Google搜索结果分析的条形图

下面是输出的样子:

使用Python的分析能力掌握Google搜索

Python提供了令人难以置信的分析功能，可以利用这些功能有效地抓取和分析Google搜索结果。

我们已经研究了如何聚类关键字，但使用Python进行Google搜索分析的应用程序几乎是无限的。

但即使只是为了扩展我们刚刚进行的关键字聚类，您也可以:

• 刮取您计划使用一个页面定位的所有查询的Serp，并提取所有精选片段文本为他们优化
• 刮下里面的问题和答案人们也会问框调整您的内容显示在那里

你需要比Googlesearch模块更强大的东西。 有一些很棒的SERP应用程序编程接口（Api）可以提供您在Google SERP本身上找到的几乎所有信息，但您可能会发现开始使用更简单关键字概述.

此工具显示您的目标关键字的所有SERP功能。 因此，您可以研究它们并开始优化您的内容。