引言

從 Web 上收集特定主題數據的技術可分為兩類：

①基于搜索的發現技術［1-3］，主要依靠搜索引擎查找網頁；

②基 于爬行的發現技術［4-6］，主要利用 Web 鏈接結構從已下載的 網頁中提取新鏈接，從而發現更多潛在的目標網頁。

前者 適用于存在一些關鍵字可區分主題數據和其它數據的情 況，后者靈活性更強，代表技術就是聚焦爬蟲。 與普通爬蟲相比，聚焦爬蟲有明確的目標指向性，在 爬取網頁過程中能夠丟棄不相關頁面，并始終跟蹤可能導 向“相關”頁面的超鏈接，因而能更有效地收集特定主題的 數據。聚焦爬蟲框架與一般爬蟲基本相同，也即是說，它 從幾個種子鏈接（Seed URL）開始，下載相關頁面并提取其 中包含的超鏈接，然后跟蹤這些超鏈接以獲取更多頁面。 不斷重復該過程，直到無法以這種方式找到更多網頁。

聚 焦爬蟲的特殊之處在于，其會引入兩個分類器——路徑判 別器和目標判別器，以決定某個超鏈接是否值得進一步訪 問，以及某頁面是否值得保存。其中，路徑判別器負責判 斷鏈接值得跟蹤與否，目標判別器負責根據網頁與主題相關與否對其進行歸類。 聚焦爬蟲研究主要集中在 3 個方面：

一是如何獲得更 有效的分類器，例如使用在線學習策略構建路徑判別器 （目標判別器依然需要進行預訓練）［7，14-18］；

二是如何獲得更 好的種子鏈接，

例如維埃拉等［3］ 利用 Bing 搜索引擎，使用相 關反饋（Relevance Feedback）收集種子；

三是如何設計更好 的爬行策略［8-12，19-22］。盡管這些研究從各個方面對聚焦爬 蟲進行了改進，預先訓練分類器的工作仍不可省略，因此 造成了爬蟲使用的不便。

由于其分類器是任務相關的，換 一個目標主題就要重新手動構建數據集進行訓練。 

最近，KIEN［13］ 將聚焦爬行描述為一個排序問題，其跳 過分類器訓練，只使用一些示例網站作為輸入。從樣本網 站中提取關鍵詞，再通過關鍵字搜索、前向爬行和后向爬 行擴展樣本網站集，其設計的系統根據與當前樣本網站的 相似性選擇新的樣本網站。結果表明，通過適當的相似性 度量，基于排序的聚焦爬蟲可取得與基于分類器的聚焦爬 蟲相似的性能表現。但其問題設置與本文不同，其目標是 得到相關網站，而不是網頁。因此，以上實踐啟發了本文 用排序器替換預訓練分類器構建自舉聚焦爬蟲，以解決網 站群內部的主題網頁發現問題。 本 文 設 計 一 種 自 舉 聚 焦 爬 蟲（Bootstrapping Focused Crawler，簡稱 BFC），該方法為聚焦爬蟲提供一些示例網頁， 而不是預先訓練的分類器，從而可略過繁復的分類器訓練 過程。該方法適用于特定網站群中的主題數據收集，例如 收集各大學錄取信息、各公司招聘信息、各政府網站的政 策信息等。圖 1 展示了兩個爬取任務示例。任務難點在 于，上千所高校、公司雖然網站架構類似，但每個節點對應 的超鏈接文字用詞千差萬別，路徑深度與目標頁面特征也 存在顯著差異。因此，在不預訓練分類器的前提下，只提 供少量樣例網頁充當爬蟲向導，是一種新的嘗試。 由于特定網站群是眾多一手信息的源頭，如果能及 時、有效地收集相關信息并匯聚起來，將極大地降低信息 瀏覽門檻，并催生出數據可視化等應用。因此，本文提出 的網站群爬蟲具有很強的現實意義。

圖 1 網站群爬蟲爬取任務示例 

注：粗體字表示爬蟲從網站根節點出發的最優爬行路徑

1 自舉聚焦爬蟲 自舉聚焦爬蟲框架如圖 2 所示

圖 2 自舉聚焦爬蟲框架 程序有兩個輸入：

一個是網站群站點（Website）列表， 一個是少量樣例網頁，每個樣例網頁包含其所在站點的根 鏈接和自身鏈接這一對元素。

首先，對樣例網頁進行路徑 提取與特征提取。在傳統聚焦爬蟲框架下，需要一個能引 導爬蟲到目標節點的向導（路徑判別器），以及能夠區分目 標節點與其它節點的評委（目標判別器）。路徑提取目標 是構建路徑判別器，而特征提取目標是構建目標判別器。 區別在于，本文提出的自舉聚焦爬蟲用相似度排序模塊替 代傳統框架下的目標判別器，用類似于強化學習的手段在 · 110 ·第 8 期 線構建路徑判別器。然后利用兩個判別器從輸入的網站 群根節點開始循環抓取網頁，并不斷把最相關的網頁加入 網頁樣例庫，用于更新兩個判別器。該流程循環進行，直 到無法發現更多網頁或達到迭代次數上限為止。 1.1 路徑判別器 

路徑判別器本質上是一個二分類器：輸入一個超鏈接 短文本，輸出其是否與要爬取的主題相關，或沿著該鏈接 是否能找到與主題相關網頁。在網站群爬蟲這個具體應 用場景中，存在一條從站點根節點到當前頁面的超鏈接路 徑（見圖 1），可利用這條路徑上的前序文本增強當前鏈接 短文本的判斷準確度。因此，本文通過路徑提取將傳統路 徑判別器的單一短文本輸入擴充為短文本列表。 在頁面爬取過程中，對每個待判別的路徑 t 打分，如果 分數大于閾值，則判定為相關鏈接。計算公式如下： f (t) = ?w ? tαw 其中，超文本 w 是路徑 t 中的詞，αw 是 w 的權重，其 初始化使用了樣例庫提供的信息。具體而言，本文把從樣 例網頁中提取的路徑集中起來，分詞后統計每個詞的詞 頻，形成各詞的初始權重。其它詞默認初始權重為-1，以 懲罰路徑中存在過多未知詞。在爬取過程中，αw 采用類似 強化學習的策略進行更新。每當一個路徑 t 被判定為相 關，其包含詞的對應權重都消耗 1；每當找到一個目標網 頁，其對應路徑中的詞權重獎勵 2。

1.2 相似度排序 

在目標判別環節，本文用排序器替換預訓練的分類 器。

具體而言，爬蟲根據訪問頁面與示例網頁的相似性對 其進行排序，將相似度大于閾值的網頁作為相關網頁輸 出，并同時將排名前 p%的網頁添加到示例庫，開始下一輪 迭代。 在計算網頁相似度時，采用以下公式： s( x) = -dcos( x x) 其中，dcos 是余弦距離，x 是從待評估網頁標題和內容 中提取文本的詞袋模型（Bag of Words）向量表示，x 是樣例 網頁整合成單一文檔生成的詞袋模型向量表示。該公式 計算的相似度是目標網頁與樣例庫的總體平均相似性。 

2 爬取效果

2.1 實驗任務與數據集 

本文按照中國大學排行榜，收集了中國排名前 200 的 大學官方網站頁面集合作為實驗數據集。為檢驗爬蟲性 能，定義主題爬取任務如下：獲取高校歷史錄取分數相關 頁面。本文手動標記每個站點與所需主題相關頁面（URL） 作為真實標簽，數據集頁面總數為 41 600，其中正樣本數量 為 1 033。 為得到樣例網頁庫作為算法輸入，本文從 200 個網站 中隨機抽取 3 個網站，并為每個網站標記一個示例頁面，得 到 3 個樣例（每個樣例含有一對數據，即目標網頁的 URL 以 及所在網站根節點的 URL）。通過對 4 組使用不同樣例集 的爬蟲計算平均得分，得到 BFC 性能得分。 

2.2 效果展示 

本 文 選 取 傳 統 聚 焦 爬 蟲（FC）作 為 基 線 算 法 進 行 對 比。出于公平性考慮，FC 所需分類器基于樣例網頁庫的少 量正樣本，采用 KNN 算法獲得。本文提出的自舉聚焦爬蟲 （BFC）與基線算法 FC 在高校歷史錄取分數爬取任務中的 表現對比如表 1 所示。 表 1 BFC 與 FC 在錄取分數爬取任務中表現對比 FC BFC Precision 0.62 0.35 Recall 0.16 0.62 F1 0.25 0.45 由表 1 可以看到，BFC 的準確率（Precision）比傳統方法 FC 低很多，其原因是 FC 爬取頁面數量較少，以極低的召回 率（Recall）為代價獲得了較高準確率。然而，在爬蟲實際 使用過程中，召回率更為重要，因為要盡可能全面地收集 所需信息，而在自動篩選環節一旦遺漏相關信息，就很難 再找到目標網頁。在召回率方面，BFC 的表現遠好于 FC。 綜合準確率和召回率的指標 F1-Score 也顯示 BFC 的性能 優于 FC。 爬取部分結果如

圖 3 所示。圖中 name 列輸出爬取站 點，url 列輸出任務相關頁面網址，path 列輸出從網站根節 點到頁面的路徑，score是該頁面相關性得分

參考文獻： 

［1］ DISHENG Q，LUCIANO B，XIN L，et al. Dexter：large-scale discov? ery and extraction of product specifications on the web［C］. Proceed? ings of the VLDB Endowment，2015：2194-2205. 

［2］ XUEZHI W，CONG Y，SIMON B，et al. Relevant document discovery for fact-checking articles［C］. In Companion Proceedings of the Web Conference，2018：525-533. 

［3］ KARANE V，LUCIANO B，ALTIGRAN S D S，et al. Finding seeds to bootstrap focused crawlers［C］. In The World Wide Web Confer? ence，2016：449-474. 

［4］ LUCIANO B，SRINIVAS B，VIVEK K R S. Crawling back and forth： using back and out links to locate bilingual sites［C］. In Proceedings of 5th International Joint Conference on Natural Language Processing， 2011：429-437. 

［5］ TSUYOSHI M. Finding related web pages based on connectivity infor? mation from a search engine［C］. In WWW Posters，2001. 

［6］ LUCIANO B. Harvesting forum pages from seed sites［C］. In Interna? tional Conference on Web Engineering，2017：457-468. 

［7］ MCCALLUM A，NIGAM K，RENNIE J，et al. A machine learning ap? proach to building domain-specific search engines［C］. Proceedings of the Sixteenth International Joint Conference on Artificial Intelli? gence，1999：662-667. 

［8］ MICHAEL H，MICHAL J，YOELLE S M，et al. The shark-search al? gorithm. An application：tailored Web site mapping［J］. Computer Networks & Isdn Systems，1998，30（1-7）：317-326. ［9］ BERGMARK D，LAGOZE C，SBITYAKOV A. Focused crawls，tun? neling，and digital libraries ［C］. Proceedings of the 6th European Conference on Research and Advanced Technology for Digital Librar? ies，2002. ［10］ MARISTELLA A，COSTANTINO T. Research and Advanced Tech? nology of digital libraries［M］. Springer Berlin Heidelberg，2002： 91-106. 

［11］ 葉勤勇. 基于 URL 規則的聚焦爬蟲及其應用［D］. 杭州：浙江大 學，2007 

［12］ BRA P M E D，POST R D J. Information retrieval in the World-Wide Web：making client-based searching feasible［J］. Computer Net? works & Isdn Systems，1994，27（2）：183-192. 

［13］ KIEN P，AECIO S，JULIANA F. Bootstrapping domain-specifific con? tent discovery on the Web［C］. In The World Wide Web Conference， 2019：1476-1486. 

［14］ 傅向華，馮博琴，馬兆豐，等. 可在線增量自學習的聚焦爬行方法 ［J］. 西安交通大學學報，2004，38（6）：599-602. 

［15］ 劉國靖，康麗，羅長壽. 基于遺傳算法的主題爬蟲策略［J］. 計算機 應用，2007，27（12）：172-174. 

［16］ 曾廣樸，范會聯. 基于遺傳算法的聚焦爬蟲搜索策略［J］. 計算機 工程，2010，36（11）：167-169. 

［17］ 童亞拉. 自適應動態演化粒子群算法在 Web 主題信息搜索中的應 用［J］. 武漢大學學報（信息科學版），2008，33（12）：1296-1299. 

［18］ 賀晟，程家興，蔡欣寶. 基于模擬退火算法的主題爬蟲［J］. 計算機 技術與發展，2009，19（12）：55-58. 

［19］ 宋海洋，劉曉然，錢?？?/span>. 一種新的主題網絡爬蟲爬行策略［J］. 計 算機應用與軟件，2011，28（11）：264-267. 

［20］ 謝志妮. 一種新的基于概念樹的主題網絡爬蟲方法［J］. 計算機與 現代化，2010，176（4）：103-106. 

［21］ 左薇，張熹，董紅娟，等. 主題網絡爬蟲研究綜述［J］. 軟件導刊， 2020，19（2）：278-281. 

［22］ 韓 瑞 昕. 基 于 時 效 性 的 爬 蟲 調 度［J］. 軟 件 導 刊 ，2020，19（1）： 108-112.

|轉載請注明來源地址：蜘蛛池出租 http://m.gzxyxkj.cn/
專注于SEO培訓，快速排名黑帽SEO https://www.heimao.wiki