面向多通道爬蟲的Web信息抽取技術(shù)研究.pdf

1、隨著Internet的迅猛發(fā)展，網(wǎng)絡(luò)已經(jīng)成為一個(gè)信息發(fā)布和消費(fèi)的巨大平臺(tái)?；ヂ?lián)網(wǎng)具有快速傳播和廣泛覆蓋的特性，對(duì)互聯(lián)網(wǎng)輿情進(jìn)行有效監(jiān)控是必不可少的。由于網(wǎng)頁(yè)固有的半結(jié)構(gòu)性以及大量存在的與主題無(wú)關(guān)的噪聲，研究如何從Web中抽取人們所需要的信息變得越來(lái)越重要。在一個(gè)聚焦于新聞、博客和論壇(它們都是很有代表性的信息傳播渠道)的多通道爬蟲系統(tǒng)中，我們面臨如下挑戰(zhàn):1)大量網(wǎng)站需要監(jiān)控;2)網(wǎng)站有不同的結(jié)構(gòu)和布局;3)網(wǎng)站會(huì)不定期改版。這些挑戰(zhàn)促

2、使我們提出高度自動(dòng)化的Web信息抽取技術(shù)，以減少系統(tǒng)的擴(kuò)展和維護(hù)成本。
　　對(duì)于新聞、博客這種正文密集的網(wǎng)站，本文提出了一個(gè)模板無(wú)關(guān)的基于有效字符的內(nèi)容抽取算法CEVC(Content Extraction via Valid Characters)。為了驗(yàn)證該方法，我們從知名的中文新聞和博客網(wǎng)站上任意爬取了部分網(wǎng)頁(yè)，構(gòu)成測(cè)試數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明CEVC能達(dá)到平均95.8％的F1-measure，效果優(yōu)于之前的算法CETR

3、和CEPR，雖然抽取性能和CETD相當(dāng)，但在預(yù)處理階段依賴更小，適用性更強(qiáng)。
　　對(duì)于典型的論壇網(wǎng)站，本文利用帖子中普遍存在的發(fā)帖時(shí)間信息，提出了一個(gè)論壇帖子抽取算法PEAN (Post Extraction via Anchor Nodes)。為了和同樣利用發(fā)帖時(shí)間信息的帖子抽取算法MiBAT比較效果，我們從知名的中文論壇網(wǎng)站上采集網(wǎng)頁(yè)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明PEAN相比于MiBAT在召回率指標(biāo)上有大幅度提升，平均94. 7%的F