陳建國

基于Web結(jié)構(gòu)的網(wǎng)站新聞采集系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

陳建國1,2

(1. 湖南大學(xué)軟件學(xué)院，湖南，長沙 410082；2. 廈門理工學(xué)院，福建，廈門 361021)

在深入研究網(wǎng)絡(luò)信息采集技術(shù)的基礎(chǔ)上，提出一個基于Web結(jié)構(gòu)的新聞采集模型。該模型加載采集入口地址后，通過信息采集和過濾算法確定新聞列表頁，結(jié)合正則表達(dá)式技術(shù)自動識別新聞內(nèi)容頁的鏈接地址，訪問目標(biāo)新聞內(nèi)容頁，使用采集算法自動提取新聞信息數(shù)據(jù)。同時，它可以過濾在此頁面中嵌入的廣告等信息。實(shí)踐結(jié)果表明，該模型工作良好，可以自動化、高效率地采集新聞信息。

信息采集；Web結(jié)構(gòu)；正則表達(dá)式；數(shù)據(jù)挖掘；新聞采集

1 WEB信息采集和新聞采集

1.1 Web信息采集

Web信息采集是指通過Web頁面之間的鏈接關(guān)系，從Web上自動地獲取頁面信息，并且隨著鏈接，使用廣度優(yōu)先遍歷算法不斷地向所需要的Web頁面查找、擴(kuò)展的過程[1]。

1.2 新聞采集

新聞采集是Web信息采集在網(wǎng)絡(luò)新聞領(lǐng)域的應(yīng)用[2]。其核心實(shí)現(xiàn)過程如下：由采集入口URL開始，將這些URL放入一個采集隊(duì)列，順序讀取URL以獲取目標(biāo)網(wǎng)頁，調(diào)用采集和過濾規(guī)則在信息頁面中進(jìn)行信息識別和提取，最后將采集得到的新聞信息和相關(guān)數(shù)據(jù)保存到數(shù)據(jù)庫或其他進(jìn)一步加工。

1.3 研究現(xiàn)狀

目前，國內(nèi)外關(guān)于Web信息采集技術(shù)的研究已取得一定成果，總結(jié)如下：

基于自然語言處理[3]：主要適用于含有大量文本的Web頁面，將Web文檔視為文本進(jìn)行處理的,抽取的實(shí)現(xiàn)沒有利用Web文檔獨(dú)特于普通文本的層次特性.獲得有效的抽取規(guī)則需要大量的樣本學(xué)習(xí)[4]。

基于包裝器歸納方式的信息抽取[5]：該系統(tǒng)語義和模式信息是用戶附加的，通過感興趣信息的左右邊界實(shí)現(xiàn)信息的定位，該方法僅僅使用語義項(xiàng)的上下文來定位信息并沒有使用語言的語法約束[6]。

基于本體的信息采集方法[7]：利用對數(shù)據(jù)本身的描述信息實(shí)現(xiàn)抽取，較少依賴網(wǎng)頁結(jié)構(gòu)。

基于查詢的Web信息提取[8]：使用Web的相關(guān)技術(shù)解決Web的問題，由于Web抽取規(guī)則的形式和感興趣信息的定位方式各不相同，因此均不具有通用性。

基于語義信息抽取技術(shù)[9]：由于HTML標(biāo)志缺乏對數(shù)據(jù)本身的描述，又因?yàn)閿?shù)據(jù)受描述語法，文化區(qū)域和應(yīng)用領(lǐng)域等方面的限制，缺乏足夠的語義信息，因此影響抽取效率和準(zhǔn)確度。

1.4 本文工作內(nèi)容

雖然網(wǎng)頁類型和結(jié)構(gòu)不同，但一個網(wǎng)站中的各頁面結(jié)構(gòu)具有一些特定規(guī)則，如頁面內(nèi)容往往是以一種結(jié)構(gòu)化的方式來組織，所以我們可以根據(jù)web結(jié)構(gòu)進(jìn)行網(wǎng)絡(luò)新聞信息的提取和采集，研究web結(jié)構(gòu)，結(jié)合正則表達(dá)式，通過頁面結(jié)構(gòu)的模式匹配實(shí)現(xiàn)數(shù)據(jù)提取和收集。本文的主要任務(wù)：

（1）設(shè)計(jì)一個基于Web結(jié)構(gòu)的新聞采集系統(tǒng)模型；

（2）頁面采集算法，信息塊采集算法和信息塊過濾算法研究；

（3）實(shí)現(xiàn)基于Web結(jié)構(gòu)的新聞采集系統(tǒng)。

2 基于Web結(jié)構(gòu)模型的新聞采訪

2.1 系統(tǒng)模型

本系統(tǒng)通過采集入口和頁面采集算法進(jìn)入新聞列表頁，調(diào)用信息塊采集方法確定新聞內(nèi)容頁的URL列表，然后自動加載URL列表中的目標(biāo)頁，調(diào)用信息采集和過濾算法反復(fù)采集新聞內(nèi)容的信息，最后存放到相應(yīng)數(shù)據(jù)庫中。本系統(tǒng)支持采集入口設(shè)置，采集規(guī)則和過濾規(guī)則設(shè)置，并支持批量采集功能，采集時間和周期可調(diào)節(jié)。

2.2 信息采集和過濾算法

本系統(tǒng)所用到的信息采集和過濾算法主要包括以下三種：

（1）頁面采集算法：通過URL加載一個頁面，然后獲得頁面的源代碼[10]。該算法將用于加載新聞列表頁和新聞內(nèi)容頁。核心算法代碼如下（C＃）：

（2）信息塊采集算法：該算法接收三個參數(shù)：信息塊代碼、采集開始標(biāo)志和采集結(jié)束標(biāo)志;使用正則表達(dá)式技術(shù)進(jìn)行信息匹配，以確定要采集的信息塊。核心算法代碼如下（C＃）：

（3）信息塊過濾算法：該算法接收三個參數(shù)：信息塊代碼、過濾開始標(biāo)志和過濾結(jié)束標(biāo)志;使用正則表達(dá)式技術(shù)進(jìn)行信息匹配，以確定要過濾的信息塊[11]。

2.3 采集入口

在這里進(jìn)行采集入口的設(shè)置，我們可以設(shè)置一個新聞網(wǎng)站的主頁作為采集入口，調(diào)用頁面采集算法提取新聞列表頁路徑代碼。

2.4 新聞列表采集

從新聞列表頁中采集新聞內(nèi)容頁的鏈接URL的工作有兩個步驟。首先，刪除無關(guān)信息，提取新聞列表信息塊代碼，然后從列表信息塊代碼中標(biāo)識新聞內(nèi)容頁面地址，制定地址標(biāo)準(zhǔn)格式來修訂和改善的新聞鏈接地址。

（1）獲取新聞列表頁代碼

獲取新聞列表頁面代碼，人工分析和識別頁面代碼，找到新聞列表信息塊的起始標(biāo)志和結(jié)束標(biāo)志。調(diào)用采集算法，輸入頁面代碼、信息塊起始標(biāo)志和結(jié)束標(biāo)志，系統(tǒng)根據(jù)獲得新聞列表信息塊代碼。

（2）新聞鏈接網(wǎng)址采集

對獲取的信息塊代碼重新進(jìn)行人工分析和識別，找到新聞鏈接信息的代碼，標(biāo)志起始和結(jié)束標(biāo)記[12-13]。調(diào)用采集和過濾算法，輸入信息塊代碼列表、新聞鏈接起始標(biāo)志和結(jié)束標(biāo)志，系統(tǒng)自動刪除無關(guān)信息，準(zhǔn)確讀取新聞內(nèi)容頁鏈接URL列表。

2.5 新聞內(nèi)容采集

（1）獲取新聞內(nèi)容頁代碼：調(diào)用采集算法從新聞鏈接URL列表中的各項(xiàng)找到新聞內(nèi)容頁，獲取新聞內(nèi)容頁面代碼。

（2）新聞信息采集：手動分析和識別頁面代碼，標(biāo)記各新聞信息塊的開始和結(jié)束標(biāo)志，如標(biāo)題、來源，內(nèi)容，創(chuàng)建時間，調(diào)用信息采集和過濾算法，提取有關(guān)的新聞信息，然后保存到數(shù)據(jù)庫或其他媒介中。

3 基于Web結(jié)構(gòu)的新聞采集系統(tǒng)實(shí)現(xiàn)

3.1 應(yīng)用程序概述

本文采用作者自主開發(fā)的“銳龍新聞采集系統(tǒng)”作為實(shí)現(xiàn)案例，“銳龍新聞采集系統(tǒng)”是新聞網(wǎng)站系統(tǒng)的一個子系統(tǒng)。該系統(tǒng)采用B/S模式，主要用于新聞發(fā)布網(wǎng)站的新聞信息采集工作，方便新聞稿件管理，大大提高新聞稿件編輯的效率和準(zhǔn)確性，有很強(qiáng)的適用性和推廣價值。

3.2 采集入口設(shè)置

通過友好的可視化界面進(jìn)行采集入口地址的設(shè)置，界面如圖1所示。本實(shí)例的采集入口設(shè)置如下：http://www.ruilongit.com/News_List.aspx?NT_ID=1。

圖1 采集入口設(shè)置

Fig.1 Acquisition entrances setting

3.3 新聞列表采集

（1）新聞列表頁采集：分析和確定的新聞列表頁中的代碼，找到新聞列表信息塊的開始和結(jié)束目標(biāo)，提取新聞列表，作為新聞內(nèi)容頁鏈接網(wǎng)址的采集源。

新聞列表信息塊的起始標(biāo)志：

新聞列表信息塊的結(jié)束標(biāo)志：

（2）新聞內(nèi)容頁URL采集：通過鏈接地址采集算法進(jìn)行分析和識別源代碼，找到新聞內(nèi)容頁鏈接信息塊的開始和結(jié)束標(biāo)志，獲取新聞內(nèi)容頁的URL列表。新聞內(nèi)容頁URL采集設(shè)置如圖2所示。

新聞內(nèi)容頁鏈接信息塊的起始標(biāo)志：