面向教育視頻資源的垂直搜索引擎設(shè)計(jì)與實(shí)現(xiàn)

魏刃佳，吳振強(qiáng)

WEI Renjia, WU Zhenqiang

陜西師范大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710062

School of Computer Science, Shaanxi Normal University, Shanxi Xi’an 710062, China

1 引言

自 1990年蒙特利爾大學(xué)學(xué)生 Alan Emtage發(fā)明的 Archie，到如今 Google、百度等通用搜索引擎的廣泛使用，搜索引擎的價(jià)值已越來越高。據(jù)艾瑞資訊統(tǒng)計(jì)，2012年第一季度中國搜索引擎市場規(guī)模已達(dá)到54.9億元，同比上升68.2%[1]。但隨著互聯(lián)網(wǎng)上網(wǎng)頁數(shù)量的倍增，通用搜索引擎已不能滿足用戶個性化、專業(yè)化的搜索需求，針對其檢索結(jié)果信息量大、搜索范圍過于寬泛、主題相關(guān)度低、檢索深度不夠、信息時(shí)效性差等問題，垂直搜索引擎應(yīng)運(yùn)而生。

自2000年，國外就開始研究垂直搜索引擎，國內(nèi)對垂直搜索引擎的研究雖起步較晚，但發(fā)展迅速，現(xiàn)有的垂直搜索引擎已涉及圖書搜索、職位搜索等方面，但針對網(wǎng)絡(luò)中海量的教育資源，學(xué)習(xí)者仍需花費(fèi)大量的時(shí)間在多個網(wǎng)站中搜索所需信息，搜索效率較低。為此，本文順應(yīng)教育信息化發(fā)展的要求[2]，結(jié)合我國教育資源利用率低的問題，將垂直搜索引擎與教育資源相結(jié)合，以教育視頻資源為例，通過對開源軟件Heritrix和Lucene進(jìn)行擴(kuò)展以及對精品課程資源網(wǎng)的分析[3]，提取視頻資源名、資源描述以及資源鏈接，實(shí)現(xiàn)了教育視頻資源的整合及搜索，使得學(xué)習(xí)者可以通過視頻資源搜索引擎更快地獲取所需信息，并將其運(yùn)用在移動校園系統(tǒng)中，提高教育視頻資源利用率。而且，針對Heritrix與Lucene串行組合方案難以實(shí)現(xiàn)信息抓取、分析過程與索引過程同時(shí)進(jìn)行的問題，對實(shí)現(xiàn)流程進(jìn)行優(yōu)化，使網(wǎng)頁抓取、網(wǎng)頁內(nèi)容分析篩選和建立索引三個過程同時(shí)進(jìn)行，降低系統(tǒng)IO開銷和磁盤空間占用率。

2 基礎(chǔ)知識

垂直搜索引擎[4]是針對某個特定領(lǐng)域的專業(yè)搜索引擎，是搜索引擎的細(xì)分和延伸，是對網(wǎng)頁庫中的某類專門的信息進(jìn)行一次整合，定向分字段抽取出需要的數(shù)據(jù)進(jìn)行處理后再以某種形式返回給用戶，向用戶提供個性化、專業(yè)化的搜索服務(wù)，有效地解決了通用搜索引擎存在的檢索結(jié)果信息量大、主題相關(guān)度低、檢索深度不夠、信息時(shí)效性差等弊端。垂直搜索引擎與通用搜索引擎的最大區(qū)別在于對網(wǎng)頁信息進(jìn)行結(jié)構(gòu)化信息抽取，即將網(wǎng)頁的非結(jié)構(gòu)化數(shù)據(jù)提取成特定的結(jié)構(gòu)化信息數(shù)據(jù)，將結(jié)構(gòu)化的數(shù)據(jù)作為最小單位。在我國，大家所熟知的垂直搜索引擎主要有針對 IT領(lǐng)域的賽迪 IT羅盤(http://itsearch.ccidnet.com)，以酷訊為代表的生活搜索引擎，以去哪兒網(wǎng)為代表的旅游搜索引擎等。

我國自從20世紀(jì)80年代大力發(fā)展教育信息化建設(shè)以來，已建立了基礎(chǔ)教育資源庫、高等教育精品課程資源庫等一批優(yōu)秀的資源共享系統(tǒng)。但由于經(jīng)濟(jì)狀況、地理位置以及硬件設(shè)施的限制，這些共享資源并沒有得到很好地應(yīng)用，造成了教育資源的浪費(fèi)。而且，面對海量的教學(xué)資源，學(xué)習(xí)者需要花費(fèi)大量的時(shí)間和精力從各個網(wǎng)站上篩選出所需資源，其資源搜索模式如圖1所示，學(xué)習(xí)者在搜索資源時(shí)首先需要瀏覽每個網(wǎng)站的信息，然后進(jìn)行篩選。由于信息量大而且每個網(wǎng)站都存在很多冗余信息，使得最終搜索到的資源質(zhì)量也很難保證。如何使學(xué)習(xí)者在短時(shí)間內(nèi)快速瀏覽相關(guān)信息并且準(zhǔn)確定位所需資源已經(jīng)成為教育資源搜索引擎的研究熱點(diǎn)之一。

圖1 資源搜索模式

目前我國已存在一些面向教育資源的搜索引擎，比如中國第一教育資源網(wǎng)站Edugo(http://www.edugo.cn/)，華南理工大學(xué)的木棉搜索引擎(http://search.scut.edu.cn/)。但這些搜索引擎存在搜索內(nèi)容準(zhǔn)確性不高，難以滿足用戶需求等不足[5]。

3 垂直搜索引擎的設(shè)計(jì)與實(shí)現(xiàn)

移動校園系統(tǒng)主要是為了滿足目前人們對移動學(xué)習(xí)日益增長的需求而設(shè)計(jì)開發(fā)的一個學(xué)習(xí)資源網(wǎng)站系統(tǒng)。它使得學(xué)習(xí)者能夠利用各種瀏覽器或者終端設(shè)備在任何時(shí)間任何地點(diǎn)簡單快捷地獲得學(xué)習(xí)資源。

為了提高學(xué)習(xí)者的搜索效率，本文利用垂直搜索思想，以教育視頻資源為例，設(shè)計(jì)并實(shí)現(xiàn)了面向教育視頻資源的垂直搜索引擎，對教育視頻資源進(jìn)行整合，學(xué)習(xí)者只需通過與垂直搜索引擎進(jìn)行交互，就能實(shí)現(xiàn)檢索需求，新的資源搜索模式如圖2所示，搜索引擎對每個網(wǎng)站的資源進(jìn)行整理，將與學(xué)習(xí)者搜索需求相關(guān)的鏈接呈現(xiàn)給學(xué)習(xí)者，眾多的網(wǎng)站相對于學(xué)習(xí)者來說是透明的，學(xué)習(xí)者只需要關(guān)注搜索引擎提供的資源信息即可，極大地提高了學(xué)習(xí)者的搜索效率。

圖2 新的資源搜索模式

3.1 設(shè)計(jì)思想

開源網(wǎng)絡(luò)爬蟲框架 Heritrix[6,7,8]將網(wǎng)頁抓取過程作為一個獨(dú)立的模塊，其抓取過程為首先從待抓取的URI中選擇一個，然后根據(jù)URI獲得網(wǎng)頁信息，對網(wǎng)頁信息分析歸檔后寫入磁盤鏡像目錄，最后再從分析的網(wǎng)頁信息中選擇符合要求的URI加入到URI等待隊(duì)列中，遞歸執(zhí)行上述操作，直到等待隊(duì)列中所有URI完成信息的處理。在串行組合情況下，Heritrix完成全部抓取工作后才會對網(wǎng)頁內(nèi)容進(jìn)行分析，待網(wǎng)頁抓取和網(wǎng)頁內(nèi)容分析兩個過程均完成之后再調(diào)用全文檢索引擎框架 Lucene[8]的索引建立功能對所有文檔進(jìn)行索引工作，串行組合流程如圖3所示。這樣將三個過程完全獨(dú)立的設(shè)計(jì)方案雖然增強(qiáng)了各部分的獨(dú)立性和靈活性，但是文檔的IO讀寫會消耗大量的資源和時(shí)間，特別是在抓取海量數(shù)據(jù)時(shí)，文本文檔的創(chuàng)建、寫入和保存占據(jù)了大量的處理時(shí)間。

圖3 串行組合方案流程圖

針對Heritrix抓取結(jié)束后再利用Lucene建立索引的串行組合方案存在的問題，本文提出一種流程優(yōu)化組合方案，將網(wǎng)頁抓取、網(wǎng)頁內(nèi)容分析篩選、建立索引三個過程同時(shí)進(jìn)行，實(shí)現(xiàn)Heritrix和Lucene的緊耦合，如圖4虛線框中所示，即對一個網(wǎng)頁完成抓取后，立即對其內(nèi)容進(jìn)行提取和篩選，然后將其加入到索引中，最后將建立好的索引文件寫入磁盤。此方案降低了系統(tǒng)的IO開銷和磁盤空間的占用率。因?yàn)?Lucene建立索引的過程在內(nèi)存中進(jìn)行，最后僅需要將索引文件寫入磁盤中，這樣IO資源的開銷幾乎為零。在通常情況下，能達(dá)到較好的抓取和索引效果。緊耦合組合方案流程如圖4所示：

圖4 緊耦合組合方案流程圖

3.2 網(wǎng)頁內(nèi)容分析、篩選和提取過程

3.2.1 判斷網(wǎng)頁是否需要保存

由于本搜索引擎只需要保存含有視頻播放的網(wǎng)頁，因此通過對精品課程網(wǎng)的網(wǎng)頁進(jìn)行分析可知，精品課程網(wǎng)站中有兩種網(wǎng)頁含有視頻，一種是資源網(wǎng)頁，網(wǎng)址的形式http://resource.jingpinke.com/details?XXXX，另一種是視頻網(wǎng)頁，網(wǎng)址形式為http://video.jingpinke.com/details? XXXX，問號后面的部分以參數(shù)形式代表了這個網(wǎng)頁的內(nèi)容等信息。此處，采用正則表達(dá)式表示以上兩種形式的網(wǎng)址：

3.2.2 網(wǎng)頁內(nèi)容提取

網(wǎng)頁中包含許多與主要內(nèi)容無關(guān)的文本、鏈接、圖片等噪聲信息。在進(jìn)行檢索時(shí)，這些噪聲信息會嚴(yán)重影響檢索結(jié)果的準(zhǔn)確性和檢索速度，而且會使索引結(jié)構(gòu)的規(guī)模變大。因此，本文通過HTML Parser[9]提取建立索引時(shí)所需的信息，舍棄噪聲區(qū)域，提高搜索的準(zhǔn)確性。需要提取的內(nèi)容項(xiàng)目如表1所示：

表1 提取的網(wǎng)頁項(xiàng)目

(1) 視頻標(biāo)題及描述信息的提取

① 標(biāo)簽名為meta；

② 標(biāo)簽含有name屬性；

③ 屬性值為keywords或description；

前兩個條件可以通過構(gòu)造Node Filter實(shí)現(xiàn)：Node Filter filter=new And Filter(new Node Class Filter(Meta Tag.class),new Has Attribute Filter("name"));

在篩選出符合前兩條規(guī)則的節(jié)點(diǎn)后，可以使用循環(huán)，通過get Attribute()方法判斷屬性值是否匹配，如果匹配的話，則將標(biāo)簽的content屬性的值取出，從而得到此網(wǎng)頁的關(guān)鍵字。

(2) 視頻播放鏈接的提取

網(wǎng)頁中 Flash視頻的播放通常用