蘇瑞竹 胡云龍 何瑋

（廣西民族大學(xué)管理學(xué)院，廣西 南寧 3 260262）

一、建設(shè)東盟信息特色資源庫的總體要求

1.切入點(diǎn)為更為新穎全面的東盟文化，更加系統(tǒng)地整合東盟信息資源，力求普及東盟文化知識。

2.根據(jù)資源平臺的要求和標(biāo)準(zhǔn)，建立數(shù)據(jù)處理和索引，編目并提交到資源包中。

3.每一套資源包都具有自主知識產(chǎn)權(quán)，充分體現(xiàn)東盟文化特色，并應(yīng)結(jié)合當(dāng)前熱點(diǎn)話題，以豐富的內(nèi)容、新穎的形式去拓展東盟文化知識。

4.要注重知識產(chǎn)權(quán)的保護(hù)，對于那些比較敏感的內(nèi)容，必須要有相關(guān)版權(quán)保護(hù)措施。

二、東盟信息特色資源庫系統(tǒng)非功能需求

本系統(tǒng)的非功能性需求主要有以下幾個(gè)方面：

（一）保持流暢的訪問速度

東盟特色資源庫每年都有一些額外的資源，一方面要求服務(wù)器在處理請求時(shí)能夠快速完成資源的上傳、檢索和修改任務(wù)。此外，在向客戶端返回?cái)?shù)據(jù)時(shí)，應(yīng)該盡量減少數(shù)據(jù)冗余。

（二）資源定位迅速

為了提高用戶體驗(yàn)，除了保持訪問速度流暢外，用戶還應(yīng)該能夠快速找到他們需要的資源。一方面,資源包的作者需要修改和維護(hù)每次成千上萬的資源屬性,要求作者的包可以很容易地找到他所需要的資源在系統(tǒng)中修改,否則,每次資源屬性的調(diào)整將是一個(gè)噩夢。另一方面，由于圖書館資源眾多，游客需要通過系統(tǒng)快速滿足需求的資源。

三、數(shù)據(jù)采集研究

（一）資源庫內(nèi)容信息收集要素

資源庫分為國內(nèi)資源庫及國外資源庫，依據(jù)出版形式又可分為期刊資源庫、圖書資源庫、專利資源庫等，依據(jù)存儲類型又可分為題目目錄式資源庫、全文資源庫等，本次信息收集的目的是將網(wǎng)絡(luò)上所有有關(guān)東盟政治、經(jīng)濟(jì)、文化、科技、商業(yè)、教育等的信息進(jìn)行收集與整合。因此需要進(jìn)行專業(yè)檢索，通過建立檢索式使用檢索工具進(jìn)行檢索，并進(jìn)行批量下載與存儲。

1.檢索課題分析：基于知識發(fā)現(xiàn)的東盟商業(yè)、政府、科學(xué)、旅游等信息整理、挖掘與應(yīng)用

2.關(guān)鍵詞：東盟

（二）資源庫的選擇

ESI(Essential Science Indicators)、JCR(Joural Citation Report)、Mathscinet 數(shù)據(jù)庫、IEEE/IEE Electronic Library(IEL)、Elsevier(SD)資源庫(1700多種刊)、方正數(shù)字資源平臺-中華數(shù)字書苑、中數(shù)圖中文電子圖書、維普信息資源系統(tǒng)、萬方資源庫跨庫檢索、中國知網(wǎng)(cnki)、http://koran.tempo.co/ 印尼時(shí)代報(bào)、https://www.msn.com/en-my/ MNS 馬來西亞、https://www.brudirect.com/文萊BruDirect、http://www.vientianetimes.org.la/ 老撾新聞、https://mthai.com/ 泰國MThai、https://zingnews.vn/ 越南Zing.vn、https://sabay.com/ 柬埔寨Sabay、https://www.sg.issworld.com/ 新加坡ISS、https://www.msn.com/en-ph MSN 菲律賓、http://www.myanmar.com/ 緬甸日報(bào)。

（三）選擇檢索工具：火車頭采集器

四、采集器相關(guān)理論及環(huán)境要求

（一）功能

火車采集器主要包含八大特色功能，下面進(jìn)行一一列舉并且說明。

1.網(wǎng)址采集

通過設(shè)置網(wǎng)站收集規(guī)則，火車頭可以快速收集到所需的網(wǎng)站信息。手動輸入、批量添加或直接從文字進(jìn)入網(wǎng)站，并能自動過濾刪除重復(fù)的網(wǎng)站信息。

2.內(nèi)容采集

火車頭收集器通過對網(wǎng)頁源代碼的分析和內(nèi)容采集規(guī)則的設(shè)置，可以準(zhǔn)確地采集網(wǎng)頁中零散的內(nèi)容數(shù)據(jù)，支持多階段、多頁面等復(fù)雜頁面的內(nèi)容采集。通過定義標(biāo)簽，可以在類別中收集數(shù)據(jù)。

3.數(shù)據(jù)處理

對于采集到的信息和數(shù)據(jù)進(jìn)行一系列智能化處理，使采集到的數(shù)據(jù)更符合使用標(biāo)準(zhǔn)。主要包括1)標(biāo)簽過濾;2)替換;3)數(shù)據(jù)轉(zhuǎn)換;4)自動文摘分詞;5)下載選項(xiàng)。

4.數(shù)據(jù)發(fā)布

收集完數(shù)據(jù)后，收集器默認(rèn)將數(shù)據(jù)保存在本地存儲庫(SQLite、MySQL 和SQLServer)中。您可以根據(jù)需要執(zhí)行后續(xù)操作，發(fā)布數(shù)據(jù)。它支持?jǐn)?shù)據(jù)的直接查看、數(shù)據(jù)的在線發(fā)布、存儲庫的輸入以及用戶發(fā)布界面的使用和開發(fā)。

5.多任務(wù)多線程運(yùn)行

收集器可以同時(shí)運(yùn)行多個(gè)任務(wù)。支持不同網(wǎng)站或同一網(wǎng)站下不同欄目的內(nèi)容同時(shí)收集，定時(shí)任務(wù)。在收集和發(fā)布內(nèi)容時(shí)，單個(gè)任務(wù)可以使用多個(gè)線程運(yùn)行，從而提高效率。

6.HTTP 二級代理服務(wù)器

采集器可以通過輔助代理服務(wù)器的功能實(shí)現(xiàn)IP 替換，避免了IP 受限訪問導(dǎo)致的獲取失敗。獲取代理IP 地址，并將代理IP 地址導(dǎo)入采集器。

7.計(jì)劃任務(wù)管理器

采集器可以進(jìn)行自動的收集和釋放時(shí)間，為實(shí)現(xiàn)自動更新功能，添加到計(jì)劃任務(wù)中的任務(wù)在任務(wù)設(shè)定的頻率和運(yùn)行時(shí)間內(nèi)執(zhí)行。

8.任務(wù)運(yùn)行日志管理

采集監(jiān)控系統(tǒng)配置在運(yùn)行任務(wù)管理器將記錄信息收集和監(jiān)控模塊生成裝配成一個(gè)日志條目,管理員會將收集和監(jiān)控模塊匯編產(chǎn)生的信息記錄到日志條目中，如果啟用了自動運(yùn)行功能或需要監(jiān)控程序的運(yùn)行狀況。

（二）采集器的系統(tǒng)環(huán)境

Win10/Win7/Win8/Win2012/Win2010/Win2008/Win2003/Vista/Xp 以及Linux 要求電腦安裝.NET4.0 框架支持，下載地址：

http://www.microsoft.com/zh-cn/download/details.aspx?id=17718

如果需要在 ia64 上進(jìn)行安裝，請使用在此處找到的 ia64 安裝程序。

五、采集過程

（一）網(wǎng)址采集規(guī)則的制定

1.網(wǎng)址采集規(guī)則測試

起始網(wǎng)址以新浪新聞為例

將https://search.sina.com.cn/?q=%E4%B8%9C%E7%9B%9F&c=news&from=home&c ol=

&range=all&source=&country=&size=10&stime=&etime=&time=&dpc=0&a=&ps=0&p f=0&page=2 設(shè)置為網(wǎng)站起始站，然后進(jìn)行批量設(shè)置。設(shè)置完成點(diǎn)擊確定。然后進(jìn)行測試。

2.網(wǎng)頁內(nèi)容采集規(guī)則的設(shè)置

通過點(diǎn)擊其列表頁中其中一個(gè)內(nèi)容頁跳轉(zhuǎn)至內(nèi)容采集規(guī)則。與此同時(shí)點(diǎn)開內(nèi)容頁的源代碼查看。

設(shè)置標(biāo)題規(guī)則

字符串為＜title＞首趟長沙-河內(nèi)東盟國際貨運(yùn)班列從憑祥鐵路口岸出境|東盟|憑祥|河內(nèi)_新浪新聞＜/title＞

選擇內(nèi)容進(jìn)行規(guī)則設(shè)置

選擇字符串為

＜!--正文 start --＞

＜div class=”article”id=”article”＞

＜p＞ ＜font＞4 月3 日，首列長沙-河內(nèi)東盟國際貨運(yùn)班列從憑祥鐵路口岸開出。＜/font＞＜/p＞＜p＞ ＜font＞該班列在憑祥海關(guān)監(jiān)管下辦理了通關(guān)手續(xù)，啟程前往越南河內(nèi)，開辟了中歐班列從東南亞出發(fā)的新的陸海通道。＜/font＞＜/p＞＜div class=”img_wrapper”＞＜img src=”//n.sinaimg.cn/sinakd10117/290/w1080h810/20210406/3cf5-knipfse8474593.jpg”w=”1080”h=”810”wh=”1.33”/＞＜/div＞＜p＞ ＜font＞▲憑祥海關(guān)關(guān)員對“長沙-河內(nèi)”班列進(jìn)行關(guān)鎖核驗(yàn)以便快速放行 ＜/font＞＜/p＞＜div class=”img_wrapper”＞＜img src=”//n.sinaimg.cn/sinakd10117/290/w1080h810/20210406/d6fa-knipfse8476603.jpg”w=”1080”h=”810”wh=”1.33”/＞＜/div＞＜p＞ ＜font＞中外運(yùn)廣西有限公司憑祥分公司業(yè)務(wù)員韋晶賢：“長沙—東盟國際貨運(yùn)路線的開通能進(jìn)一步降低物流成本，也為中部地區(qū)貨物出口東南亞提供新的通道。”＜/font＞＜/p＞＜p＞ ＜font＞據(jù)了解，憑祥鐵路口岸是中歐班列往東南亞方向的主要出境口岸，2020 年憑祥海關(guān)共監(jiān)管進(jìn)出境為進(jìn)一步推進(jìn)中國與中南半島經(jīng)貿(mào)合作、維護(hù)全球供應(yīng)鏈穩(wěn)定貢獻(xiàn)中國力量。（來源：邊關(guān)憑祥）＜/font＞＜/p＞

＜!--正文 end --＞

通過點(diǎn)擊進(jìn)行測試 那么最初的兩項(xiàng)數(shù)據(jù)采集就已經(jīng)形成，包括了標(biāo)題和內(nèi)容的設(shè)置。只代碼可以在源代碼中找到，就能提取出來。

3.導(dǎo)入本地硬盤

接下來跳轉(zhuǎn)第三步，內(nèi)容的發(fā)布。這里選擇導(dǎo)入到本地硬盤，可選擇以WORD 或者textPDF 等格式保存。

選擇text 文本保存保底。開始運(yùn)行程序，點(diǎn)開一個(gè)內(nèi)容設(shè)置就能查看到改采集的內(nèi)容，將所有的數(shù)據(jù)導(dǎo)出。點(diǎn)擊我的任務(wù)，進(jìn)行新建任務(wù)并且進(jìn)行任務(wù)規(guī)則制定。然后點(diǎn)擊保存并啟動。

開始數(shù)據(jù)收集與整理，數(shù)據(jù)收集以主題為分類進(jìn)行全面收集。收集內(nèi)容涉及科技、商業(yè)、文化、教育、人文、社交、政策等多項(xiàng)類別的內(nèi)容，分別采集的數(shù)據(jù)為文獻(xiàn)名、文獻(xiàn)鏈接、作者、來源、發(fā)表時(shí)間、資源庫、北引次數(shù)、下載次數(shù)。

數(shù)據(jù)爬取過程以中國知網(wǎng)為例、還需要爬取其他資源庫的數(shù)據(jù)。

以上只是一部分資源庫的提取，由于大數(shù)據(jù)的數(shù)據(jù)量在TB-PB 級別，這里只引用其中一部分作為解釋，多余不做贅述。采集完成后進(jìn)行下一步，數(shù)據(jù)的整理與加工。

（二）網(wǎng)頁內(nèi)信息的收集和組織

1.信息整理加工

由于數(shù)據(jù)的分析處理軟件需要采用結(jié)構(gòu)化數(shù)據(jù)，因此需要將數(shù)據(jù)整理為電腦和人皆可識別的結(jié)構(gòu)化數(shù)據(jù)，這里方便數(shù)據(jù)分析與碰撞需要將他加工為EXCEL 表格進(jìn)行分析。

2.語義描述

東盟文獻(xiàn)資源收集完成后，需要對收集到的數(shù)據(jù)進(jìn)行語義描述，以實(shí)現(xiàn)資源的后續(xù)檢索和定位，呈現(xiàn)相關(guān)知識。通過提取東盟文檔資源元數(shù)據(jù)，如事件、時(shí)間、地點(diǎn)和其他實(shí)體，將原始的東盟文檔資源元數(shù)據(jù)轉(zhuǎn)換為新的元數(shù)據(jù)三元組。通過三元模型，可以表示任何數(shù)據(jù)和知識，實(shí)現(xiàn)計(jì)算機(jī)的可理解。參考DC、CDWA、VRC 等元數(shù)據(jù)標(biāo)準(zhǔn)，文檔資源元數(shù)據(jù)可以從標(biāo)題、標(biāo)識符、事件、背景、日期、地點(diǎn)、主題、資源類型、作者等方面獲得。在提取和描述文檔元數(shù)據(jù)的相關(guān)元素之后，使用RDF 和XML 語法規(guī)則來描述元數(shù)據(jù)，以便計(jì)算機(jī)能夠理解和識別任何數(shù)據(jù)和知識。

3.知識關(guān)聯(lián)

在對東盟文獻(xiàn)資源進(jìn)行元數(shù)據(jù)描述之后，需要通過相關(guān)維度的連接，在資源之間建立更豐富的知識關(guān)系網(wǎng)絡(luò)。建立內(nèi)部語義關(guān)系，通過語義關(guān)系標(biāo)注，形成基于主題、事件、時(shí)間、地點(diǎn)、類型的內(nèi)部關(guān)系。主題:東盟的文獻(xiàn)資源，如泰國、文萊、新加坡等，在建立專有名詞列表時(shí)，應(yīng)從詞語的語法位置提取關(guān)鍵詞。事件:東盟文獻(xiàn)資源對象的具體行為大多與當(dāng)時(shí)的社會生產(chǎn)活動相結(jié)合，如新加坡的多元宗教交流、新加坡的文化交流等。對這些語義詞進(jìn)行相關(guān)性分析，可以為當(dāng)時(shí)新加坡與外國的友好交往和文化交流提供歷史證據(jù)。這類詞通常是動詞，需要根據(jù)語境的詞性進(jìn)行分析和提取。時(shí)代性:印度文獻(xiàn)資源的內(nèi)容和意義具有時(shí)代性特征。按照時(shí)間線對資源進(jìn)行排序，有利于縱向比較和建立相關(guān)性的縱向分類。對于時(shí)間語義詞，可以建立時(shí)間詞匯或構(gòu)建詞語規(guī)則。位置:泰國文獻(xiàn)資源的主題空間范圍，如“泰姬陵”“玉佛寺”等，可以通過分析上下文句子中的詞匯來標(biāo)記。類型:東盟文獻(xiàn)資源可分為宗教多元交流、海外貿(mào)易等多種類型。通過外部關(guān)聯(lián)和內(nèi)部關(guān)聯(lián)的建立，東盟文獻(xiàn)資源由松散的資源集合體轉(zhuǎn)變?yōu)閺?fù)雜而有序的東盟文獻(xiàn)資源知識元知識網(wǎng)絡(luò)。為用戶提供更直觀的視覺體驗(yàn)和新的研究思路。

結(jié)語

隨著東盟區(qū)域一體化進(jìn)程的不斷加快，使得東盟文獻(xiàn)信息需求不斷增加，作為文化信息交流中心的圖書館，在發(fā)展機(jī)遇下，應(yīng)突出重點(diǎn)信息資源建設(shè)，利用東盟的館藏，結(jié)合網(wǎng)絡(luò)資源的深度整合，開發(fā)建設(shè)具有東盟區(qū)域文化特色的知識庫，打造特色優(yōu)質(zhì)服務(wù)，實(shí)現(xiàn)優(yōu)勢互補(bǔ)，以達(dá)到特色信息資源共享的目的。