使用 Google Trend、Python 和 Ahrefs 查找关键字商机¶

长期以来，Google Trend一直是 SEO 的一个强大工具。了解历史、当前和预测未来趋势，让我们了解季节性和代际事件（如冠状病毒）等。2019 年谁会想到卫生纸在 2020 年 3 月在潮流中达到 100？谷歌趋势的网页界面是超级用户友好，你可以找出很多，但它只提供与您的网站脱离的数据。如果您可以引入一些排名数据来查找趋势关键字的网址排名，那该数据会如何。这些将是您可以关注现在或预测未来的机会。

要求和假设¶

• 安装Python 3 并理解了基本的 Python 语法（推荐Pandas）
• 访问 Linux 安装 Ubuntu或 谷歌 Colab
• Ahrefs帐户

下载 Ahrefs 关键字数据¶

1. 登录 ahrefs.com
2. 单击左侧栏上的"有机关键字"
3. 单击数据表右上右侧的"导出"
4. 选择"完整报告"和 UTF-8 格式
5. 将下载的 csv 重命名为排名.csv

启动脚本¶

我的建议是开发这个脚本在谷歌Colab，因为我们使用一个特定的Colab库和扩展。

首先，让我们安装模块 pytrends 这将有助于我们利用谷歌趋势数据。如果您使用的是Colab，请先在pp3之前放一个感叹号，所以！pip3。

pip3 install pytrends

接下来，我们导入所需的模块。 Pytrends 与 Google Trend进行沟通。来自Pytrends的数据是 JSON， Pandas 一部分， 所以我们需要 熊猫来处理。 脚本 延迟的时间，以减少与谷歌趋势的摩擦。 data_table Google 扩展的一部分，您将很快加载，以帮助增强数据框视觉对象。显然，如果您不在 Google Colab 中运行此功能，您可以省略该模块和扩展。

1
2
3
4

from pytrends.request import TrendReq
import pandas as pd
import time
from google.colab import data_table

如果您在 Google Colab 中运行此内容，您需要使用其数据表扩展名，该扩展将 Pandas 数据帧视觉对象增强为电子表格中。

1

%load_ext google.colab.data_table

分配关键字并加载 Arefs 数据¶

接下来，我们创建一个变量来存储我们的关键字。这是我们将搜索谷歌趋势。

1

keyword = "dog collar"

现在，让我们将 Ahrefs 关键字数据加载到名为 rankdf 的熊猫 数据帧中 。如果您使用的是 Google Colab，不要忘记从左侧栏文件上传区域上传此文件。一旦 csv 在数据帧中，我们希望删除（删除）除关键字和 URL 列的所有 内容。我们的 排名 将只包括这两列。

1
2
3

rankdf = pd.read_csv('ranking.csv')

rankdf.drop(['#', 'Position History','Position History Date','Volume','Difficulty','Traffic (desc)','CPC','Last Update','Page URL inside','SERP Features'], axis=1, inplace=True)

配置 pytrend 模块¶

是时候使用 pytrends 模块了 。首先，我们调用 TredReq（） 函数，并加载 到 pytrends 变量 中作为对象。然后，我们 kw_list 调用有效负载函数用于搜索数据。此变量必须是一个列表，即使在此脚本中，我们将使其成为单个列表项。其他人可能会随意将其扩展到多个关键字中。然后，我们构建发送到 Google 趋势的请求。

1
2
3
4
5
6

pytrends = TrendReq(hl='en-US', tz=360)

kw_list = []
kw_list.append(keyword)

pytrends.build_payload(kw_list, cat=0, timeframe='today 5-y', geo='', gprop='')

访问我们关键字的相关主题¶

现在我们可以访问不同类型的数据。 完整的文件在这里。出于此脚本的目的，我们将访问 "相关主题 " 和 "相关查询 " 的数据 。首先，我们将访问 [ 相关查询 ]。我们想要的子数据是" 格式化值 "， 这是"topic_title"， 这是相关关键字爆发 的名称，然后"topic_type"， 它给出了关键字（实体）一个类别。

要访问所有这些内容，我们需要深入了解 gettopics 对象中包含的数据 ，并将其全部转换为列表。

最后，我们要在 Try/例外中包装数据分配， 因为如果您向 Google Trends 发送一个单词，其中它不返回数据，因为可能该词是假的或不得人心的，因此它会返回错误。我们将分配一个变量来标记如果没有数据，请稍后使用。

1
2
3
4
5
6
7
8
9

gettopics = pytrends.related_topics()
stop = 0

try:
  breakout = list(gettopics.values())[0]['rising']['formattedValue']
  title = list(gettopics.values())[0]['rising']['topic_title']
  topic = list(gettopics.values())[0]['rising']['topic_type']
except:
  stop = 1

我们使用 的模块 pytrend 是一个非官方的 API。这意味着没有关于如何与 Google 趋势沟通的官方指南。如果滥用它可能导致谷歌阻止你。我得到 "退出" 响应并不罕见， 这意味着我需要等待几秒钟， 然后重试。为了帮助我们避免滥用 API，我们使用时间模块在脚本延迟中添加。

访问我们关键字的相关查询¶

我们已经有我们的 [相关主题 ] 数据， 它现在的时间得到 [ 相关查询] 数据.这个过程类似于我们已经为 [相关主题 ] 所做的 。我们要获取的数据是 [ 热门查询] 和 [ 上升查询 ]。我们抓住这两个，但正如您稍后将看到的，对于与您加载的 CSV 匹配的关键字，您只能使用其中一个来匹配和显示在最终数据帧中。

1
2
3
4
5
6
7
8
9

time.sleep(1)

getqueries = pytrends.related_queries()

try:
  top = list(getqueries.values())[0]['top']['query']
  rising = list(getqueries.values())[0]['rising']['query']
except:
  stop = 1

在这一点上，我们有我们所有的数据，现在我们只需要把它形成最终的数据框架，我们查看。开始我们检查变量停止是否等于1，如果它这样做，打印一条消息告诉我们，无论我们使用什么关键字，没有足够的数据谷歌发送给我们，所以有一个错误。接下来，我们需要将所有数据捆绑到变量"数据 "中 。目前，它们都在单独的列表变量中。你会注意到我省略了 [ 上升]。 这是这个脚本的要点，你需要选择[ 顶部]或 [ 上升 ]使用，当然，你可以来回切换。这是因为，无可否认，我不确定如何合并数据框，其中 ahrefs 数据的关键字列与数据帧中的两列（顶部和上升）匹配。让我知道， 如果你知道！

合并列表和创建主数据帧¶

最后，我们从我们创建的称为数据的主列表中创建一个数据框，并命名列。

1
2
3
4
5
6

if stop == 1:
  print("No Top or Rising Trends Found. Try a diferent keyword")

data = list(zip(breakout,title,topic,top))

trendsdf = pd.DataFrame(data, columns = ['Breakout %','Related Keyword','Entity Label','Top Queries'])

合并谷歌趋势和 Ahrefs 数据框架在一起¶

在这一点上，我们有我们的数据框架与谷歌趋势数据。我们现在要做的是将此数据框合并到我们使用此脚本开头的 Ahrefs CSV 创建的数据帧中，该数据框基于 Google 趋势数据 帧中的" 热门查询"（或"上升"）列中的 Ahrefs 关键字列数据匹配数据。我们将使用 fillna（） 函数 将任何 NaN 值（无数据）替换为明显的双炒作。

在合并过程中，添加了 Ahrefs" 关键字 "列， 但这是"热门 查询"（或"上升"，如果选择了）列的重复项，因此让我们将其从数据帧中删除。

1
2

mergedf = pd.merge(trendsdf, rankdf, left_on='Top Queries', right_on='Keyword', how='left').fillna(value='--')
mergedf.drop(['Keyword'], axis=1, inplace=True)

我们现在在最后一步！

剩下的就是打印出关键字，以防忘记，然后打印出最终的数据框。为此，我们将利用我们在开头添加的扩展。我们感受到了 数据表（）的最终 数据框架和宾果！随意调整每页值的行数（Google 通常返回 15-20 行），如果您想要在左侧添加编号的行include_index True 。如果您未使用 Google Colab 或未使用 data_table，请 转到下面的替代代码。

1
2

print("For Keyword: " + kw_list[0])
data_table.DataTable(mergedf, include_index=False, num_rows_per_page=20)

最后一步替代方案¶

调整 head（） 中的数字，以显示要显示的行数。

1
2

print("For Keyword: " + kw_list[0]) 
mergedf.head(20)

下面是预期输出的示例。在此示例中，我使用了宠物店的 Ahrefs 数据和关键字"狗领"。请注意，彩色部分是相互相关的列，它们除了使用相同的关键字从 Google 趋势生成以外的其他交叉关联。

结论¶

谷歌趋势一直是访问历史趋势和预测新趋势的有力工具。能够从 API 的角度利用他们的数据，这为巨大的可能性打开了大门。本教程提供了一小片可供您访问的数据和一个奇异的应用程序。您可以轻松地将其扩展到接受多个关键字、将数据存储在数据库中、混合来自其他源的数据或访问其他数据区域。

[查看全部](https://importsem.com/author/dethfire/）

作者 Greg Bernhardt 的最新帖子

• 使用 Python 创建自定义推特推文警报系统 2020年12月8日

• 使用 Python 查找关键字类别的搜索卷上限 2020年11月2日

• 分析爬网的 PDF 文本使用 Python 的 SEO 2020年10月21日

原文翻译自网文，作者: Greg Bernhardt
原文: https://importsem.com/find-keyword-opportunities-with-google-trends-python-and-ahrefs/#abh_posts