这个是去年夏天开始参与的一个任务，断断续续到年前差不多维护的比较完善了。

任务目的是，要做购车人群的目标人群定向的时候，怎么从为某一类型行为、或者某一个垂直细分市场，基于公开的数据，维护一个汽车关注行为特征的配置库。

比如，我们想比较一下“倾向买10万左右整车进口的潜客”和“倾向买10万左右国产合资品牌车”的潜客，他们的选车考量因素和购车习惯有什么不同吗？

假设我们可以有这些人群的上网行为信息，我们可以知道哪些cookie在什么时候，访问的完整的URL，这些网站也包括垂直汽车媒体和门户的汽车频道。

那么通过正则表达式，我们可以识别URL所代表的行为类型，可以是，比如：a0 =品牌\工厂\车系\车型信息列表页，a1 = 查看品牌/工厂信息，a2 = 查看车系信息，a3 = 查看车型信息，a4 = 查看车型价格，a5 = 查看车型口碑，b0 = 车型图片列表页，c2 = 查看测评文章，e2 = 查看试驾活动，e3 = 团购，f0 = 对比车型，g0 = 二手车，m2 = 申请车贷，等等。

也可以从URL行为中解析出，车型信息、车系信息、经销商ID等信息。

这样如果我们能把一个ID在汽车垂直媒体和门户汽车频道的所有的URL都解析出来，那么对这个人的购车阶段和购车意向无疑会有比较好的了解。

于是，这就是我前面提到的这个任务，就是，我们就需要一个完整的信息库，不仅有完整的车系和车型信息，还要有商品标签。

问题来了，我怎么能方便的知道，汽车之家对于CS35的车系的代码比如123，和爱卡汽车队与CS35的代码‘abc456’，其实是同一个车系呢？车型也类似。

比如主流的汽车媒体，汽车之家，爱卡，易车，腾讯汽车频道，还有很多的汽车团购、汽车资讯网站。

所以我们需要一个数据库，里面有各个车型、车系、品牌、厂商，在各个汽车媒体站的ID，对应到自己的统一ID上。这样，无论我得到这些汽车媒体站的任何的URL，我都能解析出来，实际这个行为对应的是哪个车系和车型。

所以，我们做的事情就是：

1）爬取这些媒体站的高频URL，全站的全部URL都爬下来也不可取，可以把主要频道的URL爬下来。

2）用正则表达式解析出URL中的业务参数，比如，车系，品牌，车厂，车型，等等。

有了车系和车型后，元数据的记录就会有，国别，价格，配置，口碑，等信息。

3）设计自己的元数据体系，比如，第一级，厂商和品牌有交叉关系，比如，长安马自达、一汽马自达，等等。

下面是车系，再下面是经销商。经销商和车系车型又是网状关系。

4）把爬取到的各站参数，统一到自己设计的车系、车型参数上来。

5）维护潜客ID，和行为参数之间的对应关系。

6）做一些应用BI，比如，查看和某车系的潜客交叉最多的车系是哪个车系，竞争交叉最严重的品牌是谁，在同价位竞争的SUV是谁、B级轿车是谁，等等。

又比如，某个车系的潜客，在哪个门户网站的汽车频道或者垂直媒体上占比最多？这些信息，对于营销广告投放都很有意义。

这样，通过常规的维护，以后，当需要知道某个车系的潜客，某个价位的潜客行为，某车长某关键配置的国产/进口车的人群画像，的时候，就可以从库里得到一个初步的数据素材了。

前段时间，我花时间比较多的，在第4）步上。

关于多站的车型车系ID，怎么打通，也有不少的坑。刚开始，想车系的数量级大概在2000左右，而车型的数量级在3万左右，明显是车系更容易对应。

但是，经过一研究发现，其实除了车型是汽车厂定义好的之外，车系其实各个站点的划分方法是可以不同的，比如，朗逸，可以有经典朗逸，可以有新朗逸，或者朗逸二代，三代；有的站点，都算一个车系叫朗逸，有的却划分成好几个细分的车系。所以，看一个新朗逸的人，不一定就是关注整个朗逸。

所以，想了想，还是先匹配车型比较合理。因为一个车型只可能属于一个唯一的车系，车型匹配上之后，再根据车型的匹配，定义自己的车系库的车系代码，自己的车系代码和几个汽车资讯站的车系的代码的关系也就确定了。

车型的比对也不容易，各个站的车型的个数都是上万，而且车型的名称，配置信息常常有错误，有的站连厂商指导价、手动还是自动，这样的信息都会维护错，肉眼看都不知道哪个车型应该对哪个车型，有程序自动匹配，也只能尽量匹配了。

还要考虑每个月都有会有的新车系、新车型，怎么持续的加入到自己维护的信息库里，也是需要考虑的。

试了几种方法：

1）根据名称、价位、车长、轴距，等参数给他们的相似度打分，由此判断汽车之家的车型代码567和爱卡汽车的车型代码345是不是同一个车型。

2）后来发现python有个函数fuzzywuzzy，直接可以用来判断两个字符串的相似度。

3）最后还有一个方法可以检验，使用爬虫，批量的用车系名称，在汽车媒体和门户汽车频道里搜索，这样批量的得到一个车系名称在网站对应的参数ID。比如，用‘新朗逸’当搜索关键字，在汽车媒体和门户汽车频道里搜索，出来的ID，就是新朗逸的车系代码。不过这个方法还要注意：有的网站搜索引擎不是精准匹配，即使没找到这个车系，也会返回一个推荐车系。

最后，再发动大家人工看一遍车系，大概2000多车系，一个小时也就扫描完了。总比人工查找要靠谱点。

这也是刚开始没有经验，在积累元数据库的时候遇到的一些问题。其实，现在想想，完全可以去‘乘联会’或者什么汽车行业协会里找到更多的借鉴的行业元数据库。