張帥

（廣州工商學(xué)院計(jì)算機(jī)科學(xué)與工程系，佛山 528138）

0 引言

當(dāng)前由于保護(hù)數(shù)據(jù)的需要，很多網(wǎng)站不會(huì)由頁(yè)面直接讀取數(shù)據(jù)。而是將數(shù)據(jù)轉(zhuǎn)換為SVG（Scalable Vec?tor Graphics，可縮放矢量圖形）格式的圖表來(lái)在頁(yè)面顯示。SVG的是在頁(yè)面加載時(shí)動(dòng)態(tài)生成的，所以傳統(tǒng)的爬蟲(chóng)技術(shù)[1-2]無(wú)法有效地爬取SVG圖表信息。而利用圖像識(shí)別[3-4]的方式讀取數(shù)據(jù)經(jīng)常會(huì)出現(xiàn)數(shù)據(jù)缺失的情況。當(dāng)數(shù)據(jù)缺失時(shí)，圖表會(huì)正常顯示，但信息卻看不到。此外圖像識(shí)別的準(zhǔn)確率也大大影響了數(shù)據(jù)獲取的準(zhǔn)確度。多種噪聲的影響結(jié)合在一起，使爬取SVG圖表數(shù)據(jù)幾無(wú)可能。本文采用圖像識(shí)別的方法對(duì)圖片進(jìn)行采樣后識(shí)別圖像點(diǎn)的實(shí)際值，進(jìn)而計(jì)算出圖像所有的點(diǎn)的值。利用隨機(jī)采樣的方法有效減少圖像識(shí)別的次數(shù)，通過(guò)數(shù)學(xué)計(jì)算的方式來(lái)獲取圖表數(shù)值，有效降低時(shí)間消耗。同時(shí)利用多次采樣過(guò)濾掉無(wú)法識(shí)別的點(diǎn)，增強(qiáng)了圖像識(shí)別的識(shí)別率，保證數(shù)學(xué)計(jì)算獲取數(shù)值的正確性。

1 現(xiàn)有技術(shù)的缺點(diǎn)分析

目前常用的網(wǎng)頁(yè)數(shù)據(jù)獲取技術(shù)主要是通過(guò)請(qǐng)求URL后得到完整的HTML靜態(tài)文本內(nèi)容，分析其內(nèi)置的規(guī)律，從而找到對(duì)應(yīng)的數(shù)據(jù)部分內(nèi)容；這種方式一般只能獲取到靜態(tài)內(nèi)容，對(duì)于SVG動(dòng)態(tài)圖表基本沒(méi)有效果。另外常用的方法是下載圖片內(nèi)容或者屏幕截圖方式，對(duì)于圖片上的內(nèi)容直觀、簡(jiǎn)單的時(shí)候使用，直接通過(guò)圖片的OCR（Optical Character Recognition，光學(xué)字符識(shí)別）識(shí)別來(lái)從一定程度上抓取對(duì)于的數(shù)據(jù)內(nèi)容。這種方式由于準(zhǔn)確率的原因，識(shí)別越多，錯(cuò)誤的數(shù)據(jù)就越多。并且識(shí)別消耗時(shí)間隨著坐標(biāo)的增加而急劇增加；另外對(duì)于SVG中的數(shù)據(jù)丟失的值或者SVG圖標(biāo)中顯示的是錯(cuò)誤的值無(wú)法有效地進(jìn)行處理。

2 SVG圖表識(shí)別的基本思路

本技術(shù)方法的主要步驟：（1）通過(guò)分析網(wǎng)站獲取SVG動(dòng)態(tài)圖表中的所有坐標(biāo)值信息；（2）在坐標(biāo)值組中隨機(jī)選擇3組坐標(biāo)值。此外再獲取縱坐標(biāo)最大和最小的兩組坐標(biāo)值，共獲取5組坐標(biāo)值。（3）對(duì)每組坐標(biāo)值通過(guò)鼠標(biāo)模擬的方式來(lái)獲取到實(shí)際數(shù)據(jù)展示圖。（4）利用OCR的方式來(lái)獲取每組坐標(biāo)值的實(shí)際表示數(shù)據(jù)。（5）對(duì)數(shù)據(jù)進(jìn)行兩兩分組，求出任意兩點(diǎn)間的實(shí)際表示數(shù)字與坐標(biāo)之間的比例值。對(duì)數(shù)據(jù)進(jìn)行篩選，選出準(zhǔn)確度最高的比例值。（6）通過(guò)數(shù)學(xué)計(jì)算的方式獲取所有坐標(biāo)值的實(shí)際數(shù)據(jù)。整體流程如圖1所示。

圖1

下面以某網(wǎng)站包括的SVG動(dòng)態(tài)圖表內(nèi)容作為具體實(shí)施案例，對(duì)算法的各個(gè)步驟分別進(jìn)行詳細(xì)說(shuō)明。

2.1 提取SVG 動(dòng)態(tài)圖表

通過(guò)瀏覽器的“開(kāi)發(fā)者工具”功能，查找到SVG動(dòng)態(tài)圖表的標(biāo)簽。分析標(biāo)簽內(nèi)容，可以查找到每一個(gè)坐標(biāo)點(diǎn)的坐標(biāo)值。

圖2

2.2 選取坐標(biāo)值組

在所有坐標(biāo)中選取最大值和最小值的兩個(gè)點(diǎn)。再隨機(jī)選取3個(gè)坐標(biāo)值，一共獲取5組坐標(biāo)值。這5組坐標(biāo)值保證不能重復(fù)，如果發(fā)現(xiàn)重復(fù)，重新隨機(jī)選取。

2.3 獲取坐標(biāo)點(diǎn)實(shí)際數(shù)據(jù)展示圖

通過(guò)程序控制瀏覽器加載對(duì)應(yīng)的URL（Uniform Resource Locator，統(tǒng)一資源定位器）的內(nèi)容。在加載包含SVG動(dòng)態(tài)圖表的內(nèi)容頁(yè)面后，需要根據(jù)分析找出目標(biāo)SVG坐標(biāo)點(diǎn)位置。使用程序模擬實(shí)際的鼠標(biāo)點(diǎn)擊事件，促使頁(yè)面動(dòng)態(tài)加載包含實(shí)際業(yè)務(wù)意義數(shù)值的HTML（Hyper Text Markup Language，超文本標(biāo)記語(yǔ)言）對(duì)象層。

模擬點(diǎn)擊得到最大值提示：

圖3

模擬點(diǎn)擊得到最小值提示：

圖4

根據(jù)分析得到的動(dòng)態(tài)提示對(duì)象的位置規(guī)律，程序自動(dòng)識(shí)別其邊界，實(shí)現(xiàn)動(dòng)態(tài)提示區(qū)域的圖片截取。

2.4 識(shí)別每組坐標(biāo)的實(shí)際表示數(shù)據(jù)

截取后的圖片為便于識(shí)別，需要進(jìn)行二值化、圖片放大、插值等預(yù)處理，然后進(jìn)行圖片的數(shù)字識(shí)別，得到SVG圖表縱坐標(biāo)刻度代表的數(shù)值。在這個(gè)過(guò)程中，由于OCR識(shí)別準(zhǔn)確率無(wú)法保證達(dá)到一個(gè)滿意值，并且上一步獲取的實(shí)際數(shù)據(jù)展示圖本身可能會(huì)出現(xiàn)異常的數(shù)字或沒(méi)有值。所以在識(shí)別之后要對(duì)結(jié)果進(jìn)行篩選處理，去除掉異常結(jié)果。通過(guò)之前的隨機(jī)選擇坐標(biāo)點(diǎn)，保證了這一步一定會(huì)獲取到足夠的信息值，進(jìn)而保證了數(shù)據(jù)獲取的準(zhǔn)確度。

2.5 計(jì)算實(shí)際表示數(shù)字與坐標(biāo)之間的比例

對(duì)5組坐標(biāo)值進(jìn)行兩兩分組，利用公式（1）計(jì)算實(shí)際表示數(shù)字與坐標(biāo)之間的比例。

其中，v表示坐標(biāo)代表的實(shí)際數(shù)值，y代表坐標(biāo)點(diǎn)的縱坐標(biāo)。每次計(jì)算之前要將縱坐標(biāo)進(jìn)行比較，保證最終結(jié)果的符號(hào)正確。如果每一組坐標(biāo)都識(shí)別準(zhǔn)確會(huì)產(chǎn)生完全一致的20個(gè)比例值。如表1所示：

表1

我們通過(guò)設(shè)定一個(gè)閾值的方法，出現(xiàn)次數(shù)大于閾值的被定為最終的比例值，排除掉識(shí)別不準(zhǔn)或者數(shù)據(jù)異常的坐標(biāo)值（表中的粗體數(shù)字），進(jìn)一步保證準(zhǔn)確度。同時(shí)我們也將表中未被選取的值作為異常值（(x3,y3)，(x5,y5)），異常值對(duì)應(yīng)的坐標(biāo)設(shè)為異常坐標(biāo)。最后選取一個(gè)非異常坐標(biāo)作為下一步計(jì)算的基準(zhǔn)坐標(biāo)（表1中在(x1,y1)，(x2,y2)，(x4,y4)中選取）。

2.6 推導(dǎo)所有坐標(biāo)值的實(shí)際數(shù)據(jù)

雖然可以利用圖像識(shí)別的方法循環(huán)所有的坐標(biāo)點(diǎn)來(lái)進(jìn)行類似處理，但在圖表坐標(biāo)點(diǎn)較多時(shí)，嚴(yán)重影響效率。為優(yōu)化處理速度，采取類比推導(dǎo)的方式來(lái)計(jì)算其他各坐標(biāo)點(diǎn)的縱坐標(biāo)代表的數(shù)值。具體公式如公式（2）所示：

其中y是要計(jì)算的縱坐標(biāo)，是基準(zhǔn)坐標(biāo)的實(shí)際數(shù)據(jù)和縱坐標(biāo)。通過(guò)推導(dǎo)得到統(tǒng)計(jì)圖表的所有坐標(biāo)對(duì)應(yīng)的統(tǒng)計(jì)結(jié)果值，進(jìn)而得到完整的統(tǒng)計(jì)結(jié)果，實(shí)現(xiàn)抓取目的。

3 結(jié)語(yǔ)

通過(guò)對(duì)2014年至2017年的廣東省各地區(qū)的百度指數(shù)SVG圖表進(jìn)行測(cè)試，結(jié)果表明，采用多點(diǎn)OCR識(shí)別的方法可以有效提高系統(tǒng)的魯棒性；而利用計(jì)算實(shí)際表示數(shù)字與坐標(biāo)之間比例值的方式，避免進(jìn)行所有坐標(biāo)的識(shí)別，提高運(yùn)行速度，降低運(yùn)行時(shí)間。

[1]付志鴻.基于Storm云平臺(tái)的分布式網(wǎng)絡(luò)爬蟲(chóng)技術(shù)研究與實(shí)現(xiàn)[D].電子科技大學(xué),2015.

[2]張瑤.面向AJAX腳本網(wǎng)絡(luò)的網(wǎng)頁(yè)爬行及解析技術(shù)的研究與實(shí)現(xiàn)[D].東北大學(xué),2012.

[3]王宇新.基于特征分布的圖像識(shí)別方法研究與應(yīng)用[D].大連理工大學(xué),2012.

[4]朱旭鋒.基于圖像不變量特征的自動(dòng)目標(biāo)識(shí)別技術(shù)研究[D].中國(guó)科學(xué)院研究生院（西安光學(xué)精密機(jī)械研究所）,2012.