基于Heritrix的web信息抽取優(yōu)化與實現(xiàn)

吳 偉，陳建峽

（湖北工業(yè)大學(xué)計算機(jī)學(xué)院，湖北 武漢430068）

WEB結(jié)構(gòu)化信息抽取將網(wǎng)頁中的非結(jié)構(gòu)化數(shù)據(jù)按照一定的需求抽取成結(jié)構(gòu)化數(shù)據(jù)，是垂直搜索引擎的核心技術(shù).由于Heritrix源碼是開放的、可擴(kuò)展的，而且Heritrix適合所有網(wǎng)絡(luò)規(guī)模，能夠進(jìn)行高質(zhì)量的web文檔信息抽取項目，因此成為目前用來實現(xiàn)web信息抽取的主要技術(shù)之一.

1 Web信息抽取技術(shù)簡介

垂直搜索引擎是為某些特定的領(lǐng)域、某些特定的用戶、某些特定的要求抓取有價值的信息以及相關(guān)的服務(wù).具體表現(xiàn)為：按需要的主題抓取web當(dāng)中海量的非結(jié)構(gòu)化的URL，再將URL中的重要元素做出抽取并存入到數(shù)據(jù)庫.同一般的web搜索引擎相比，垂直搜索引擎檢索對象一對一、檢索結(jié)果更為準(zhǔn)確和深入.所以，用WEB結(jié)構(gòu)化信息抽取操作，可以將URL中的非結(jié)構(gòu)化的數(shù)據(jù)按用戶的需求變?yōu)榻Y(jié)構(gòu)化數(shù)據(jù)，這是垂直搜索引擎與普通搜索引擎之間最大的區(qū)別，更是其核心技術(shù).

Web信息抽取，是將web作為信息源的信息抽取，就是從半結(jié)構(gòu)化web信息中抽取需要的數(shù)據(jù)資源［1］.核心是把分散在互聯(lián)網(wǎng)當(dāng)中的半結(jié)構(gòu)化頁面當(dāng)中隱含的信息給抽取出來，變成更具有結(jié)構(gòu)化和語義更加清晰的形式，便于在web中對數(shù)據(jù)的查詢及程序直接利用 Web中的數(shù)據(jù).通?？梢詫?Web信息源分為三類［2］：自由文本、結(jié)構(gòu)化文本、半結(jié)構(gòu)化文本.以半結(jié)構(gòu)化文本為主.目前用來實現(xiàn)web信息抽取的技術(shù)有 Heritrix、Nutch、JSpider、Crawler4j、Ex－Crawler等［3］.由于 Heritrix源碼的特性，筆者選擇用其來完成本文所要提出的問題.

2 Heritrix技術(shù)簡介

Heritrix是一個爬蟲框架（圖1）［4］，從總體看，是一個平臺結(jié)構(gòu)，內(nèi)部的全體部件都包含松耦合這一特點.每個組件都能夠拆卸及替換，為基于Heritrix的自定義開發(fā)提供了條件.

圖1 Heritrix架構(gòu)圖

Heritrix中組件的用途：1）Crawl Controller，Web信息抽取中的核心，這一組件用于控制 Web信息抽取的整個過程；2）Crawl Or der，是工作的開始，記錄了整個任務(wù)的全部屬性；3）Frontier，將爬過的URI標(biāo)記，同時將未處理過的鏈接放入等待處理隊列中；4）Toe Thread，處理 URL的線程；5）processor，表示單獨處理器，剩余的處理器全部為它的子類.

在Heritrix架構(gòu)中，Crawl Contr oller，決定了整個Web信息抽取任務(wù)的始末.用戶在Heritrix的控制臺設(shè)置抓Job后，Heritrix要先構(gòu)造出XMLSettings Handler，再來調(diào)用中央控制器的構(gòu)造函數(shù)，構(gòu)造一個中央控制器實例并初始化，這樣中央控制器就可以開始運行Job［5］.向線程池里工作狀態(tài)中的線程提供需要抓取的鏈接，則需要啟動線程池以開始Web信息抽取，

如若用戶不發(fā)出暫?；蚪K止的指令，web信息抽取工作就會一直繼續(xù)，直到無鏈接可抓，控制器才會認(rèn)為這次的任務(wù)執(zhí)行完畢，線程被關(guān)閉.圖2為Heritrix抓取流程：

圖2 Heritrix工作流程圖

Heritrix在Web信息抽取時，當(dāng)線程從隊列中取得一個URL之后，被抓取成功的URL隊列便產(chǎn)生了阻塞狀態(tài)，直到被取出的URL執(zhí)行完所有的處理，方可恢復(fù)這個阻塞狀態(tài).Heritrix實際上是單線程的工作狀態(tài).這是導(dǎo)致工作進(jìn)度慢的主要原因，例如抓取湖北工業(yè)大學(xué)校園網(wǎng)就需要花費大約160 h以上，因此采取了ELFHash算法對其抓取工作進(jìn)行優(yōu)化.

3 Heritrix的優(yōu)化

3.1 HLFHash算法

筆者對Heritrix進(jìn)行了采用多線程的改進(jìn)，以便更有效更快速地抓取網(wǎng)頁內(nèi)容.當(dāng)鏈接送到url處理器時就為其賦予一個Key值，之后再將前面賦予的Key值與相對應(yīng)的鏈接放在一起，便可以組成一個隊列.Heritrix中所有的鏈接用Queueassignmentpolicy計算Key值.鏈接的Key值，Heritrix默認(rèn)用Hostname Queue Assign ment Policy計算.這種方法的缺點是：當(dāng)對同一個網(wǎng)站當(dāng)中的信息進(jìn)行抓取時會產(chǎn)生很大的問題.

現(xiàn)將queueassign mentpolicy類進(jìn)行相應(yīng)的改變，以提高web信息抽取的效率.通過研究、分析ELFHash算法就能實現(xiàn)此功能.ELFHash算法的基本思想如下：

3.2 多線程抓取的實現(xiàn)

根據(jù)ELFHash基本算法，利用ELFHash算法策略，多線程抓取首先要為org.archive.crawler.fr ontier添加一個繼承于Queue Assign ment Policy的ELFHash Queue Assign ment Policy類.這樣，當(dāng)使用Heritrix抓取網(wǎng)頁的時候，Heritrix就變成默認(rèn)使用ELFHash Queue Assign ment Policy來分配連接隊列了.經(jīng)過驗證，抓取效率能得到很大的提高.本文實現(xiàn)的主要代碼如下：

本文以網(wǎng)易手機(jī)的網(wǎng)址建立job，運行優(yōu)化后的Heritrix，再看Heritrix抓取web信息的過程和抓取URL的結(jié)果.從圖3可知，優(yōu)化后的50個工作線程全是工作狀態(tài)，無閑置線程.

圖3 ELFHash算法優(yōu)化結(jié)果圖

3.3 URL優(yōu)化

Heritrix在抓取信息的過程中將網(wǎng)站內(nèi)部所有URL及其包括的所有文件都抓取出來，這些不必要的文件占用了很多的硬盤空間，所以需要對URL進(jìn)行適當(dāng)優(yōu)化，讓其更準(zhǔn)確地抓取用戶所需要的URL和文件信息.

本文的研究過程中，選擇了網(wǎng)易的手機(jī)網(wǎng)站來作垂直搜索的信息來源.web信息抽取包括兩種：一個是手機(jī)的參數(shù)，另一個則是手機(jī)照片.產(chǎn)品在網(wǎng)站中的圖片格式則為“gif”、“j peg”、“j pg”等，通過對URL源碼的分析可知：網(wǎng)易手機(jī)以“pr oduct.tech.163.co m／mobile”起始.由 web信息抽取工作流程不難看出，擴(kuò)展方法是擴(kuò)展 Heritrix的Fr ontier－Scheduler中的Post Processor部件.

1）抓 取 所 有 以 “htt p：／／pr oduct.tech.163.com／mobile／”為前綴的 URL.在eclipse中實現(xiàn)的代碼見圖4.

圖4 URL設(shè)置代碼

2）遇到以“.zip”、“.rar”、“.exe”、“.pdf”、“.doc”、“.xls”等結(jié)束的 URL跳過不予以抓取，在eclipse中實現(xiàn)的代碼如圖5所示：

圖5 跳過的URL代碼圖

圖6 為不抓取以 “.zip”、“.rar”、“.exe”、“.pdf”、“.doc”、“.xls”等結(jié)束的 URL.

圖6 URL優(yōu)化結(jié)果圖

4 實驗分析

實驗平臺在window7操作系統(tǒng)下，Eclipse－sdk－3.4.2－win32，在基于Java JDK（Java Develop ment Kit）1.6.0＿10的可擴(kuò)展開發(fā)平臺中對 Heritrix1.14.3進(jìn)行優(yōu)化工作.

筆者利用ELFHash算法優(yōu)化后分別對當(dāng)當(dāng)網(wǎng)、湖北工業(yè)大學(xué)校園網(wǎng)、網(wǎng)易手機(jī)網(wǎng)進(jìn)行抓取工作，可以通過圖7（橫軸的當(dāng)當(dāng)網(wǎng)、湖工、網(wǎng)易手機(jī)表示為抓取的網(wǎng)站，縱軸的數(shù)字表示為線程數(shù)、抓取信息量大小及用時多少）看出線程數(shù)為1所需的時間遠(yuǎn)遠(yuǎn)大于線程為50所需的時間.

圖7 線程優(yōu)化對比圖

5 結(jié)束語

本文在Eclipse中運用ELFHash算法通過對Heritrix的queueassign ment policy進(jìn)行改變，使得Heritrix在Web信息抽取過程由原來的單線程變成了多線程，提高了Web信息抽取的工作的效率，為Heritrix添加的當(dāng)當(dāng)網(wǎng)、湖工校園網(wǎng)站、網(wǎng)易手機(jī)網(wǎng)站等的工程節(jié)約了資源，節(jié)省了時間.但是在Web信息抽過程中依然還存在有少量的jpg、t xt等信息不能夠完整的抓取下來，有待進(jìn)一步完善.

［1］火善棟.基于網(wǎng)頁結(jié)構(gòu)特征的網(wǎng)頁主要文本信息抽取策略［J］.現(xiàn)代計算機(jī)（專業(yè)版），2008（4）：2.

［2］蒲筱哥.基于Web的信息抽取技術(shù)研究綜述［J］.現(xiàn)代情報，2007（10）：215－219.

［3］邱 哲，符滔滔，王雪松.開發(fā)自己的搜索引擎lucene＋Heritrix［M］.北京：人民郵電出版社，2010.

［4］佚 名.Heritrix架構(gòu)簡述［EB／OL］.（2011－08－21）http：／／blog.csdn.net／histor yasamirror／article／details／6705923.

［5］ Heritrix－h(huán)ome page［EB／OL］.（2011－06－09）http：／／www.webcrawler.co m.