面向社交網(wǎng)站的主題網(wǎng)絡爬蟲

牟寧 郭英杰 陳杰 竇杰 余果芯 李攀攀

摘要：以豆瓣網(wǎng)站為代表的社交網(wǎng)絡空前繁榮，傳統(tǒng)的網(wǎng)絡爬蟲無法滿足人們對社交網(wǎng)絡信息的爬取及分析的需求，爬取與特定主題內(nèi)容相關網(wǎng)頁的主題網(wǎng)絡爬蟲便應運而生，該文設計并實現(xiàn)了面向豆瓣網(wǎng)站的主題網(wǎng)絡爬蟲，實現(xiàn)對豆瓣網(wǎng)站的特定主題頁面的爬取。最后，驗證了主題網(wǎng)絡爬蟲設計方案的可行性。

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2018）32-0251-03

1 背景

隨著信息技術的高速發(fā)展，社交網(wǎng)絡如Facebook、Twitter、豆瓣網(wǎng)等也逐步地滲透到網(wǎng)民生活的方方面面，用戶可以在社交網(wǎng)絡上表達自己的意見、態(tài)度、看法或情感[1]。社交網(wǎng)絡承載著大量的輿情信息，使用網(wǎng)絡爬蟲可以對社交網(wǎng)絡輿情信息進行有效地采集、組織和管理。然而，通用的網(wǎng)絡爬蟲面臨著爬取信息內(nèi)容繁雜、主題不清晰等弊端，為了以主題相關性地爬取頁面，面向垂直領域的主題網(wǎng)絡爬蟲便應運而生[2]。

一般來講，網(wǎng)絡爬蟲是一種能夠自動爬取網(wǎng)頁并提取網(wǎng)頁內(nèi)容的程序，是構建搜索引擎的支撐技術之一[3]。在爬行策略上，主題網(wǎng)絡爬蟲與通用網(wǎng)絡爬蟲不同，主題網(wǎng)絡爬蟲通常以主題性和頁面內(nèi)容相關性作為網(wǎng)頁搜索和爬取的依據(jù)，即能按照用戶預定義的主題策略進行信息采集，其爬取頁面具有大量相關性，頁面的利用率更高[4]。

豆瓣網(wǎng)站作為社交網(wǎng)站的典型代表，對社交網(wǎng)絡產(chǎn)生了深刻的影響，該文以豆瓣網(wǎng)站為例，設計并實現(xiàn)了主題網(wǎng)絡爬蟲，能依據(jù)指定的主題采集豆瓣網(wǎng)站的相關信息。

2 主題爬蟲設計及實現(xiàn)

2.1 主題網(wǎng)絡爬蟲的過程主要框架

主題網(wǎng)絡爬蟲的系統(tǒng)架構如圖1所示，主要包括頁面下載模塊、主題判別模塊、調(diào)度模塊等核心部分。頁面下載模塊主要完成從指定的Web站點中將頁面下載到本地，主題判別模塊是主題網(wǎng)絡爬蟲的關鍵核心模塊，主要負責將判別待提取的頁面是否與制定主體相關，將相關度高于一定閾值的頁面加入下載隊列。

2.2 主題網(wǎng)絡爬蟲工作流程

主題網(wǎng)絡爬蟲過程中，調(diào)度器、URL管理器、下載器、解析器與應用各功能模塊相互配合協(xié)同工作。調(diào)度器在循環(huán)地向URL管理器發(fā)送命令，判斷是否有待爬取的URL列表、在得到URL管理器的一個待爬取的URL時，啟動下載器執(zhí)行下載流程，下載URL所指向的頁面，并使用解析器解析URL列表，獲取有用的信息，調(diào)度器將爬取的信息傳送給應用，使爬蟲程序循環(huán)地執(zhí)行，在循環(huán)的調(diào)度過程中，網(wǎng)絡爬出持久化保存相關主題的頁面數(shù)據(jù)。

2.3 網(wǎng)絡爬蟲的URL管理器

URL管理器管理待爬取的URL列表和已爬取的URL列表，防止重復爬取與循環(huán)爬取。URL管理器較好地避免了爬蟲程序采集信息的冗余度，給爬蟲的效率帶來負面影響，具體來講，URL管理器的主要功能如圖2所示。

爬蟲程序使用關系型數(shù)據(jù)庫如MySQL、Oracle等保存所爬取的頁面，采用標準的SQL接口與數(shù)據(jù)庫連接，使用Python內(nèi)置的set（ ）方法對重復的數(shù)據(jù)項進行去重處理[5]。

3 面向豆瓣網(wǎng)站的爬蟲設計及實現(xiàn)

3.1 爬蟲的網(wǎng)頁下載器

爬蟲下載器主要使用Python自帶的Urllib庫進行開發(fā)，在Python 2.7.8版本中，所使用的是Urllib2庫中的Urlopen函數(shù)，在網(wǎng)絡爬蟲的過程中設置response = urllib2.urlopen（request）語句，以取得網(wǎng)頁的響應。Urlopen函數(shù)可用于打開URL，并獲取URL數(shù)據(jù)。Urlopen函數(shù)的參數(shù)可以是URL鏈接，也可以使Request對象，對于簡單的網(wǎng)頁，直接使用URL字符串做參數(shù)，但對于復雜的網(wǎng)頁，設有防爬蟲機制的網(wǎng)頁，在使用Urlopen函數(shù)時，需要添加Http header。對于帶有登錄功能的站點，需要設置Cookie，并模擬瀏覽器登錄，之后再進行網(wǎng)頁下載。

3.2 爬蟲的網(wǎng)頁解析器

網(wǎng)頁解析器從網(wǎng)頁下載器下載到的URL（Uniform Resource Locator，統(tǒng)一資源定位符）隊列中提取有價值的數(shù)據(jù)和新的URL。對于特定數(shù)據(jù)的抽取，可以使用正則表達式或Python BeautifulSoup庫等方法。正則表達式使用基于字符串的模糊匹配，適用于目標數(shù)據(jù)格式特征比較清晰和明確的場景，這也使得正則表達式方法在網(wǎng)頁解析時的通用性不高，比如，每一項正則表達式都要重新設計，無法使用針對電影板塊開發(fā)的爬蟲程序爬取其他板塊。而Python BeautifulSoup屬于第三方模塊，用于結構化解析URL內(nèi)容。將下載到的網(wǎng)頁解析為DOM（Document Object Model，文檔對象模型）樹，進而結構化解析URL。

網(wǎng)絡爬蟲系統(tǒng)中頁面解析流程如圖3所示，詳細步驟如下：

1）首先訪問網(wǎng)頁初始種子URL，爬蟲系統(tǒng)發(fā)出訪問請求，取得服務器的信息并獲取相關數(shù)據(jù)。為了爬蟲的健壯性，若通過URL訪問服務器，無法取得網(wǎng)頁返回信息時，則返回錯誤；

2）主題相關性判斷，包括特征提取與權值計算階段。在特征提取階段，通過頁面關鍵詞頻率，獲得文檔的特征，達到降維和提高分類精度的效果。該文采用支持向量機的基于文字內(nèi)容來判斷網(wǎng)頁與主題的相關性；

3）當網(wǎng)頁訪問成功后，網(wǎng)絡爬蟲開始爬取符合正則表達式的數(shù)據(jù)信息，并刪除重復的冗余信息；

4）在本地數(shù)據(jù)庫中創(chuàng)建數(shù)據(jù)庫表，將爬取到的信息持久化存儲到本地數(shù)據(jù)庫中；

5）重復上述步驟，直到頁面全部爬取完畢。

主題網(wǎng)絡爬蟲程序具體實現(xiàn)過程中，網(wǎng)絡爬蟲爬取頁面的過程如圖4所示，詳細步驟如下：

1）設置askURL（url）方法，并將URL作為Request（）方法的參數(shù)，構造Request對象；

2）將Request對象作為urlopen（）方法的參數(shù)，發(fā)送給遠程服務器，獲取網(wǎng)頁內(nèi)容返回列表；

3）使用read（ ）方法讀取遠程服務器返回的頁面信息；

4）若在執(zhí)行過程中未發(fā)生任何異常，則在執(zhí)行完后返回HTML網(wǎng)頁內(nèi)容；

5）若在執(zhí)行過程中發(fā)生異常，則中斷當前的執(zhí)行語句的執(zhí)行，跳轉(zhuǎn)到對應的異常處理塊中開始執(zhí)行，終止應用程序并打印錯誤代碼及其原因提要。

4 系統(tǒng)測試

為了驗證該文爬蟲的有效性，使用Python2.7在Win10操作系統(tǒng)上開發(fā)爬蟲程序。網(wǎng)絡環(huán)境是100Mbps帶寬，以豆瓣網(wǎng)站為例，使用爬蟲程序?qū)Χ拱昃W(wǎng)站的指定主題進行爬取，分別選取讀書、電影、音樂3個頻道，對應的主題分別是“讀書”、“電影”、和“音樂”，爬取的網(wǎng)頁數(shù)量如表1所示。

從上表可以看出，根據(jù)用戶自定義主題和指定的初始URL，該文的主題網(wǎng)絡爬蟲能夠爬取豆瓣網(wǎng)站的相關主題頁面，這就驗證了該文所設計的爬蟲程序具有可用性。還可以進一步看出，在讀書社區(qū)爬取的頁面多達3萬余條，驗證了網(wǎng)絡爬蟲程序的穩(wěn)定性。

5 結束語

不同于傳統(tǒng)的網(wǎng)絡爬蟲，主題網(wǎng)絡爬蟲能針對特定主題提供個性化的信息爬取服務，是面向垂直領域的搜索引擎采集信息的基礎支撐技術。該文首先研究了主題網(wǎng)絡爬蟲的工作原理及其流程，接著設計并實現(xiàn)了面向豆瓣網(wǎng)站的主題網(wǎng)絡爬蟲，最后實驗驗證了網(wǎng)絡爬蟲的可行性。

參考文獻

[1] 胡亞楠. 社交網(wǎng)絡數(shù)據(jù)獲取技術與實現(xiàn)[D]. 哈爾濱： 哈爾濱工業(yè)大學， 2011.

[2] 孫立偉， 何國輝， 吳禮發(fā). 網(wǎng)絡爬蟲技術的研究[J]. 電腦知識與技術， 2010， 6（15）： 4112-4115.

[3] 于娟， 劉強. 主題網(wǎng)絡爬蟲研究綜述[J]. 計算機工程與科學， 2015， 37（2）： 231-237.

[4] 黃永軍. 面向垂直搜索的網(wǎng)絡爬蟲設計與實現(xiàn)[D]. 北京： 北京郵電大學， 2013.

[5] 錢程， 陽小蘭， 朱福喜. 基于Python的網(wǎng)絡爬蟲技術[J]. 黑龍江科技信息， 2016（36）： 273.

【通聯(lián)編輯：謝媛媛】