李遠(yuǎn)遠(yuǎn)

【摘要】 本文提出采用Heritrix和Sphinx技術(shù)搭建購物搜索引擎，將國內(nèi)大型B2C網(wǎng)站作為爬取信息來源，運用聚焦爬蟲技術(shù)將目標(biāo)定為抓取與用戶某一特定體驗主題內(nèi)容相關(guān)的網(wǎng)頁搜索引擎模型的探索與研究。

【關(guān)鍵詞】 比較購物 搜索引擎 Heritrix

隨著網(wǎng)絡(luò)商品的極大豐富和分類的細(xì)化，搜索引擎已成為購物信息的重要來源。比較購物搜索引擎是一種基于專業(yè)化的垂直搜索引擎，通過對電子商務(wù)網(wǎng)站或者部分實體店的商品信息進(jìn)行采集和整理，向消費者提供特定準(zhǔn)確的商品信息及相關(guān)輔助設(shè)施，減少信息不對稱，優(yōu)化購買決策；同時，幫助商家降低推廣成本獲得針對性極高的目標(biāo)用戶，是未來網(wǎng)絡(luò)購物搜索的發(fā)展趨勢。然而，目前國內(nèi)的比較購物引擎普遍追求“大而全”，在細(xì)化用戶需求和購物體驗上較為欠缺。商品信息比較偏重價格方面，對影響購物體驗的其他因素，諸如商家信譽(yù)、折扣降價、用戶評價、退換條款等較少涉及。本文提出采用Heritrix和Sphinx技術(shù)搭建購物搜索引擎，將國內(nèi)大型B2C網(wǎng)站作為爬取信息來源，運用聚焦爬蟲技術(shù)將目標(biāo)定為抓取與用戶某一特定體驗主題內(nèi)容相關(guān)的網(wǎng)頁，以期更好的細(xì)分消費者人群，有針對性地滿足用戶體驗。

一、Heritrix和Sphinx技術(shù)特點

1.1 Heritrix工作原理

Heritrix是一款基于java 語言開發(fā)的開源網(wǎng)絡(luò)爬蟲，用于對網(wǎng)上的資源進(jìn)行歸檔，建立網(wǎng)絡(luò)數(shù)字圖書館，目前已經(jīng)建立了400TB的數(shù)據(jù)。

Heritrix爬蟲每次只對一張網(wǎng)頁的內(nèi)容深度復(fù)制，包括獲取圖像以及其它非文本內(nèi)容，抓取并存儲相關(guān)的內(nèi)容。具體篩爬過程中，爬蟲先從隊列中取出下一個URL，通過HTTP協(xié)議將對應(yīng)的網(wǎng)頁爬取下來，然后解析內(nèi)容，并且提取出包含的URL，將其中新發(fā)現(xiàn)的URL追加到隊列中。最后將網(wǎng)頁存放到本地磁盤的網(wǎng)頁庫中。爬取過程在積累到一定數(shù)量網(wǎng)頁時即可終止，或者在隊列為空的時候終止。

1.2 Sphinx工作原理

Sphinx是一個基于SQL的全文檢索引擎，本系統(tǒng)所采用的是基于Sphinx研發(fā)并獨立發(fā)布的Coreseek，是一款專攻中文搜索和信息處理的中文全文檢索/搜索軟件，它適用于行業(yè)/垂直搜索、論壇/站內(nèi)搜索、數(shù)據(jù)庫搜索、文檔/文獻(xiàn)檢索、信息檢索、數(shù)據(jù)挖掘等應(yīng)用場景。Sphinx（Coreseek）整個系統(tǒng)主要由索引建立和維護(hù)程序（索引程序indexer）、查詢服務(wù)程序（后臺服務(wù)程序searchd） 、輔助工具程序（search， spelldump等）三大部分組成。

二、比較購物搜索引擎系統(tǒng)構(gòu)建

2.1系統(tǒng)架構(gòu)

系統(tǒng)整體架構(gòu)由四部分組成：1）由Heritrix擴(kuò)展而來的爬蟲系統(tǒng)，負(fù)責(zé)從互聯(lián)網(wǎng)抓取商品相關(guān)的信息。2）MySQL數(shù)據(jù)庫，存儲由Heritrix抓取的數(shù)據(jù)。3）Sphinx全文索引服務(wù)器，負(fù)責(zé)對商品建立全文索引。4）Tomcat服務(wù)器，負(fù)責(zé)向客戶端提供搜索服務(wù)。具體系統(tǒng)整體架構(gòu)圖如圖1。

在初始化階段，Heritrix任務(wù)需事先通過配置和測試，確認(rèn)后可由Linux系統(tǒng)通過Cron來自動調(diào)度。根據(jù)用戶輸入的商品信息，網(wǎng)絡(luò)爬蟲的每個抓取任務(wù)只負(fù)責(zé)單個購物網(wǎng)站數(shù)據(jù)的抓取，但每個任務(wù)的線程數(shù)量可由實際情況進(jìn)行調(diào)整。篩爬啟動和結(jié)束時間通過Bash腳本來監(jiān)控，每隔一定的時間去檢測相應(yīng)的進(jìn)程是否已經(jīng)結(jié)束，如果某個抓取任務(wù)結(jié)束，則設(shè)定好下一次啟動的時間間隔。在本文構(gòu)建的模型中采用MySQL數(shù)據(jù)庫存儲篩爬的信息，但直接從MySQL數(shù)據(jù)庫生成全文索引讀取比較費時，因此采用基于SQL的全文檢索引擎Sphinx結(jié)合MySQL，以“主索引+增量索引”的模式，大部分的搜索都集中在Sphinx全文索引中，少量數(shù)據(jù)可能需要直接訪問MySQL數(shù)據(jù)庫，這樣可以使應(yīng)用程序更容易實現(xiàn)專業(yè)化的全文檢索。具體運行過程中通過Cron設(shè)定計劃任務(wù)，每隔一定的時間，Sphinx會從MySQL數(shù)據(jù)庫生成增量索引，然后執(zhí)行主索引和增量索引的合并，并且在后臺操作過程中，一直可以向客戶提供搜索服務(wù)。

2.2數(shù)據(jù)存儲模型的建立

目前各種購物平臺和測評網(wǎng)站給出的商品信息異常復(fù)雜，每個網(wǎng)站的頁面都有自身特定的格式，相同商品在不同網(wǎng)站上也不盡相同，尤其是不同類型的商品在屬性上差異極大，因此， 需要建立統(tǒng)一的數(shù)據(jù)模型存儲數(shù)據(jù)，也即通過多張表能夠描述各種類型商品的基本屬性，而不需要針對每種商品建立不同的存儲表。本設(shè)計中構(gòu)建了商品表、商品別名表、品牌表、信息采集表、信息采集元數(shù)據(jù)表、商品路徑表、網(wǎng)站表、店鋪表和商品類別表等一系列數(shù)據(jù)模型。以商品信息表為例，如表2-1所示。

表2-1 商品表（Commodity）

字段名 定義類型 特性 說明

id bigint unsigned 自增、主鍵 商品id

name varchar（255） 非空、全文索引 商品的名字

brand_id bigint unsigned 外鍵 品牌id

instance_id varchar（50） 非空 ISBN，ISRC，型號等

is_unique bool 非空 是否唯一

datetime datetime 非空 創(chuàng)建時間

instance_id可以是型號、貨號、ISBN、ISRC等用來區(qū)分商品的編號。大部分商品都會有型號（instance_id），因此只要有相同品牌且型號相同，就可以肯定是同一種商品。brand_id指向brand，指品牌如TCL，也可指出版社或生產(chǎn)廠商。商品的名字需要用Sphinx建立全文索引。

2.3信息提取流程

通過設(shè)置起始網(wǎng)站，然后根據(jù)需要提取并更新網(wǎng)頁上的商品信息，在信息提取過程中通過判別程序進(jìn)行判定，對已存在商品添加商品別名，不存在的商品添加商品信息，最后更新店鋪信息。

2.3.1商品信息提取判別

提取產(chǎn)品的信息包括商品名稱、市場價、最高價、促銷價、促銷描述、銷量描述、評價、URL、店鋪、類別、屬性，其中對ISBN或ISRC、品牌和型號屬性要特殊處理，由于不同商家在添加商品信息時可能會有文字上的差異，提取時要結(jié)合Sphinx建立的全文搜索引擎仔細(xì)設(shè)計匹配規(guī)則。如果商品屬性中有ISBN，則可以肯定是圖書，如果有ISRC字樣，則肯定為唱片。這兩種編寫都具有全球唯一性，因此可以設(shè)定商品表中的is_unique字段為真，判斷時以此編號為準(zhǔn)。

在沒有全球唯一編號的情況下，大部分商品可通過“品牌+型號”的方式來判斷是否為同一商品。其中型號可能有別名，如“貨號”等。其余情況，以商品名字來判斷，由于不同商家會往商品名稱里加入很多其他信息，通過名字來判斷同一商品可靠性較低。

2.3.2商品信息更新流程

商品信息更新分為店鋪信息更新和類別更新兩個部分。店鋪更新是在商品添加成功以后來處理的，一般每個商品都會有默認(rèn)Context（購物網(wǎng)站），個別商品可通過網(wǎng)頁找到對應(yīng)店家，此時就適用更新店鋪流程，更新店鋪最終是為了讓此次采集時的上下文環(huán)境更加明確，以便將來對采集數(shù)據(jù)進(jìn)行分類處理。類別更新針對部分能從商品信息頁面中獲取的網(wǎng)站而言，為可選功能。

三、模型構(gòu)建實踐

本文基于Heritrix和Sphinx技術(shù)搭建的購物搜索引擎在實踐中把淘寶網(wǎng)、天貓網(wǎng)、卓越亞馬遜、當(dāng)當(dāng)網(wǎng)作為重點爬取對象，能實現(xiàn)針對這些主要購物網(wǎng)一般商品的搜索。搜索結(jié)果頁面如圖2所示。商品比較結(jié)果頁面如圖3所示。

四、總結(jié)

本系統(tǒng)通過Linux系統(tǒng)的腳本管理技術(shù)，將Heritrix網(wǎng)絡(luò)爬蟲技術(shù)、Sphinx的分詞和全文索引的功能相結(jié)合，整合成一個能篩爬國內(nèi)主流大型購物網(wǎng)站的比較購物搜索引擎。本系統(tǒng)還可以進(jìn)一步進(jìn)行完善，如可以對搜索關(guān)鍵字進(jìn)行按照行為預(yù)先分類，幫助缺少計算機(jī)基礎(chǔ)的用戶搜索互聯(lián)網(wǎng)內(nèi)容，進(jìn)一步修訂商品信息數(shù)據(jù)存儲表，以更好的兼容越來越多的業(yè)務(wù)細(xì)分類型購物網(wǎng)站，這些都是下一步的發(fā)展方向。

參 考 文 獻(xiàn)

[1] Stefan Büttcher， Charles L.A.Clarke， Gordon V.Cormack. 信息檢索：實現(xiàn)和評價搜索引擎[M]. 北京：機(jī)械工業(yè)出版社，2012.1.

[2] Heritrix User Guide. Heritrix User Guide. Internet Archive.

[3] 蔣群.中國比較購物網(wǎng)站的調(diào)查分析和發(fā)展建議[J].北京郵電大學(xué)學(xué)報（社會科學(xué)版），2007，（1）

[4]徐意能， 陳碩. 基于用戶體驗的搜索引擎有效性評估研究[J].人類工效學(xué)，2008， 14（3）：9-12