基于互聯網的情報收集技術研究

郭建偉，燕 娜，陳佳宇

(北京市科學技術情報研究所 信息資源部 北京100044)

0 引 言

互聯網已經越來越深入地融入了人們的生活，并在不斷地改變著人們的思維及工作方式[1]。有一句名言被改為：“知之為知之，不知百度知”。由此可見，人們已經習慣到互聯網上，借助信息技術尋找自己需要的各種信息。網民除了瀏覽新聞、收發郵件之外，對查找資料、網上購物等深層次應用的需求和接受程度大幅度提高。

傳統的情報收集以印刷型文獻、電子信息資源、報紙、廣播等大眾傳媒、會議、訪談等為主要科技情報信息源[2]。隨著互聯網的普及，大量的科技情報信息開始在互聯網上傳輸，如政府部門、各行業部門、各種企事業單位等，都已經或準備在互聯網運行大量的信息，讓用戶更方便快捷獲取資訊。互聯網由于其信息量大、時效性強等特點，將逐漸成為最主要的情報來源。目前，通過搜索引擎、網絡數據庫、網站、數字圖書館、網絡出版物、網絡討論組等工具和方式可以快速獲取第一手資料。因此，了解并掌握基于互聯網的信息收集方法，對于提高情報研究的質量和效率，具有重要意義。

1 搜索引擎在情報收集工作中的應用

搜索引擎(Search Engine)是一種利用互聯網自采集技術，對各種情報信息資源進行標識，并為使用者提供搜索的工具，例如：AltaVista、Yahoo!、Google和百度[3]。搜索引擎作為用戶訪問互聯網的入口和指南，已經成為人們利用最廣泛的工具。搜索引擎的收集對象是互聯網網站的各種文檔，如 html、htm、asp、nsf、shtml、txt、pdf等格式的文檔。最大特點是把分散在全球的數據統一成一個標準的大型數據庫，查詢信息結果是優質信息源，而不是信息本身。

搜索引擎通過從網絡抓取的有關網站的信息，查詢到使用者查找的相匹配的記錄，反饋給使用者。全文搜索引擎的特點是能夠對各網站的每個頁面中的每個詞進行搜索，缺點是提供的科技情報信息數據量雖大，但因可選擇的條件多而降低命中率。由于沒有按照類別搜索的結構，會給使用者多而雜的感覺。

1.1 目錄索引搜索

目錄索引搜索按照目錄進行檢索，分類目錄也能找到需要的信息。最具代表性的有 Yahoo！，國內的Sohu、Sina等也屬于這一類。目錄索引搜索特點是查準率高、查全率低、搜索范圍較小。

1.2 分類全文搜索引擎

分類全文搜索引擎是基于全文搜索引擎和分類搜索引擎的缺點而設計的，設計上加入了全文檢索。這樣既可以使用戶在分類目錄中瀏覽，保證了一定的查準率，又可以使用戶進行全文查詢。其特點是誤查率低，搜索范圍小。

1.3 “二次檢索”

“二次檢索”是指在上一次檢索的結果中再進行更為精確的檢索[4]。百度、雅虎、infoseek等都提供“在結果內查找”的查詢功能。

1.4 垂直搜索引擎

垂直搜索引擎是針對某一個行業的專業搜索引擎，是搜索引擎的細分和延伸，是對網頁庫中的某類專門的信息進行一次整合，定向分字段抽取出需要的數據進行處理后再以某種形式返回給用戶[5]。

垂直搜索引擎具有搜索功能模塊強大，切換性強，使用者容易上手操作；瀏覽器會發現新的引擎，成為默認瀏覽；內容豐富，適于用多款瀏覽器瀏覽模式；兼容性強，基于多種內核瀏覽器；安全性高，收集大量正規金融、新聞、咨詢等網站功能的優點。

1.5 利用搜索引擎進行信息檢索的技巧

利用搜索引擎進行信息檢索是一項實踐性很強的工作，科技情報工作者應該在使用過程中不斷總結檢索技巧，以提高有用信息的命中率。

1.5.1 搜索關鍵字設置

我們在使用中發現：在搜索引擎中如果只輸入一個字或短句來進行查詢，會有大量相關性不大的文檔，查詢者使用起來浪費時間。要進行針對性的搜索，應該輸入多且精準的詞或詞組，使之在搜索時自動過濾掉無用的信息。提供的詞組越精確，搜索得到的結果越少，文檔的相關性越強。搜索關鍵字應盡量選用專指詞或非常用詞，如果應用布爾邏輯符，或者加上引號，檢索結果可以更加精確。

1.5.2 選擇合適的搜索引擎

目前，互聯網上的搜索引擎種類繁多，面向的對象各有不同，從中找出與所查信息主題相符合的搜索引擎，可以做到有的放矢，快速、準確、全面地找到所需信息。在使用搜索引擎之前，應研究一下它的用法和特殊之處，能夠收到事半功倍的效果。進行搜索前需要從搜索引擎的類型、功能、特點，檢索問題的類型，查詢目標可能的存在形式(是網頁還是FTP)等方面綜合考慮，選擇相應類型的檢索工具。例如，對于一般性的瀏覽查詢，或希望獲取較為綜合、準確的信息時，一般應使用雅虎(http∶//www.yahoo.com/)這樣的目錄型檢索工具。

1.5.3 根據結果進一步修訂搜索策略

系統返回檢索結果后，可根據檢索效果進一步修訂搜索策略。雖然有時檢索結果并不理想，甚至包含有大量的“垃圾信息”，但也有可能在這些結果中發現一些更合適的檢索詞或提供更準確的檢索信息。這樣就可以進一步確定檢索表達式，或者轉向其他引擎搜索。

2 網絡數據庫

互聯網作為海量信息源，具有3個特點：

①擴大了數據資源共享范圍、便于數據傳輸交流。哪里有網絡，哪里就可以實現數據資源共享。

②大批量的數據處理，可分解給不同的計算機處理，實現分布式處理的目的。

③既可以采用 C/S方式，也可以采用 B/S。降低了系統的使用費用，提高了計算機可用性。

正是由于互聯網信息資源分布零散，并且難以規范化、結構化，因此對信息資源的組織和管理提出了更高的要求。網絡數據庫的出現可以很好地解決上述問題。

網絡數據庫具有以下特點：

①信息資源專業性較強，主題明確，檢索的相關性非常高。

②資源被有效地分類和標識，存取的效率比較高。

③實現異地遠程檢索，故障率較低，能夠不間斷提供服務。

④數據更新快，用戶可隨時利用，并且具有豐富、可靠、權威的數據資源和全面多樣的服務方式。

3 數字圖書館

數字圖書館[6]提供的特色資源主要集中在本地區的歷史沿革、發展現狀、社會狀況、資源分布、民俗風情、人文景觀等，便于訪問者了解該地區的投資環境和發展前景，比如首都圖書館(www．clcn．net．cn)擁有明清北京城垣資源庫、北京地方文獻報刊索引數據庫、中國共產黨北京黨史資源庫、奧林匹克運動會與藝術多媒體資源庫、中國人民解放軍將帥多媒體資源庫等特色資源。上海圖書館的《全國報刊索引》數據庫、國內專業會議數據庫、家譜書目數據庫；吉林圖書館的吉林省兩院院士及省管優秀專家數據庫、省文化法規數據庫、省生態信息數據庫等都因內容翔實而全面在業界具有重要的地位。

4 專業科技情報網站

目前，互聯網上已經存在著上千萬個網站，以文字、圖片、語音、動畫、電影等多媒體技術及各種綜合手段進行實時信息發布。充分利用互聯網網站獲取有價值的信息可以收到事半功倍的效果。在我國，政府網站可以提供政策法規、經濟信息、服務信息等三大類信息；各種行業(學會、協會)網站可提供行業新聞、行業動態、市場行情、學術動態、行業政策法規等資源和信息，用戶可以通過行業網站，對整個行業有所了解，掌握行業目前的狀況；企業網站可提供公司信息、經營動態、產品宣傳、新產品研究方案、售后服務、合作伙伴信息等。可見，互聯網網站中蘊含了豐富的科技情報資源。科技情報工作者在對搜集目標不很明確或不知從何處入手時，直接登錄相關網站是最好的選擇。

5 總 結

互聯網由于其信息量大、時效性強等特點，已逐漸成為最主要的情報來源。了解并掌握基于互聯網的信息收集方法，對于提高情報研究的質量和效率具有重要的意義。搜索引擎是情報搜集的主要工具之一，本章介紹了搜索引擎的各種分類和適用情況，總結了利用搜索引擎進行信息檢索的技巧。介紹了更加專業、更有針對性的搜索引擎——垂直搜索引擎，并總結了幾種發展比較成熟，且能夠在科技情報收集工作中發揮較大作用的垂直搜索引擎。網絡數據庫由于專業性強，檢索相關度高，是科技查新工作及科技情報收集工作的基礎。介紹了網絡數據庫的特點。由于許多數字圖書館既是各種文獻資源的聚集地，同時也是各種特色數據資源的建設者和提供者，情報工作者通過訪問數字圖書館可以獲得多種渠道的信息來源，所以本文也將數字圖書館作為網絡信息的來源之一進行了介紹。另外，一些專業的科技情報網站中蘊含了豐富的科技情報資源，介紹了政府門戶網站、行業(協會)網站在情報搜集中的應用。■

［1］王興偉，李婕，譚振華，等.面向“互聯網+”的網絡技術發展現狀與未來趨勢[J].計算機研究與發展，2016，53(4)：727-741.

［2］劉佳.如何通過互聯網收集情報[J].中國牧業通訊，2011(7)：93.

［3］印鑒，陳憶群，張鋼，等.搜索引擎技術研究與發展[J].計算機工程，2005，31(14)：54-56.

［4］嚴永松.XML在搜索引擎中的應用[J].數字技術與應用，2009(12)：58-60.

［5］肖冬梅.垂直搜索引擎研究[J].圖書館學研究，2003(2)：87-89.

［6］鄭志蘊，宋瀚濤，牛振東，等.基于網格技術的數字圖書館互操作關鍵技術[J].北京理工大學學報，2005，25(12)：1066-1070.