淺談基于C#的網(wǎng)絡(luò)類垂直搜索引擎 數(shù)據(jù)采集技術(shù)

李保玉

摘要：該文設(shè)計(jì)和實(shí)現(xiàn)的基于C#的網(wǎng)絡(luò)類垂直搜索引擎數(shù)據(jù)采集，采用高效的URL去重，避免了數(shù)據(jù)的重復(fù)。本文剖析了網(wǎng)絡(luò)垂直搜索引擎中數(shù)據(jù)采集的基本方法和運(yùn)行機(jī)制，并通過程序設(shè)計(jì)現(xiàn)實(shí)了垂直搜索引擎數(shù)據(jù)的采集。

關(guān)鍵詞：垂直搜素引擎；數(shù)據(jù)采集；C#；正則提取一、背景與研究意義

（一）研究背景。互聯(lián)網(wǎng)發(fā)展十余年，在這十余年的市場(chǎng)培育，發(fā)展的方向始終跟隨者web用戶的腳步，用戶希望能有一種軟件能在一定區(qū)域上對(duì)信息的智能采集和加工，從而來提高工作效率，因此采集技術(shù)在不斷的更新，采集軟件也隨之備受歡迎。

（二）開發(fā)背景。如今的互聯(lián)網(wǎng)，遍及全球，發(fā)展迅猛，信息在不斷的更新，Internet信息庫變得十分龐大。Web信息都是以網(wǎng)頁的形式，通過瀏覽器被用戶查看。目前搜索引擎技術(shù)發(fā)達(dá)，Web用戶都會(huì)通過搜索引擎搜索關(guān)鍵詞來查找自己想要的信息，但查到的結(jié)果不盡人意，包含了很多不相關(guān)的頁面，還要自己認(rèn)真查找，因此要直接查找自己想要的精確信息非常困難。

（三）研究意義。網(wǎng)絡(luò)上的信息非常豐富，數(shù)據(jù)類型多樣，不斷更新、不斷變化，如何迅速的、準(zhǔn)確的獲取到自己需要的數(shù)據(jù)，有價(jià)值的信息，變得越來越難。如何充分的利用網(wǎng)絡(luò)信息資源進(jìn)行方便快速的檢索，從而引出搜索引擎技術(shù)，它們與網(wǎng)絡(luò)技術(shù)和信息技術(shù)一起，在發(fā)展和使用中逐步完善。企業(yè)及個(gè)人網(wǎng)站需要在百度上有個(gè)好的排名，就必須運(yùn)用到SEO相關(guān)的技術(shù)，其中更新網(wǎng)站信息是最主要的，但這需要太多的時(shí)間與人力，該網(wǎng)絡(luò)類數(shù)據(jù)采集引擎就可以避免公司及個(gè)人的成本，并且可以提高工作效率。

二、系統(tǒng)調(diào)研與可行性分析

（一）現(xiàn)狀調(diào)研。隨著網(wǎng)絡(luò)的發(fā)展，網(wǎng)絡(luò)創(chuàng)業(yè)也成了現(xiàn)在的主流。但這些離開不了搜索引擎的作用，因?yàn)橐辛髁烤偷靡琶信琶偷酶鞔笏阉饕娴牟椒ㄗ撸咂耍偷檬芰P。不管做網(wǎng)站還是做推廣少不了信息的獲取，但是獲取具有相對(duì)性高的信息是比較費(fèi)時(shí)間和人力的，因此采集引擎發(fā)揮了很大的作用并得到廣泛的應(yīng)用。

（二）可行性分析。現(xiàn)在大多數(shù)的信息的采集主要是為手工處理，很多重復(fù)操作，而且是容易找到許多不相關(guān)的信息，該網(wǎng)絡(luò)類垂直搜索引擎數(shù)據(jù)采集軟件的使用是否可以解決以上問題，就要對(duì)軟件進(jìn)行可行性分析。一般軟件的可行性分析會(huì)對(duì)以下方面進(jìn)行：（1）技術(shù)可行性：程序運(yùn)行采集信息時(shí)采用的是多線程處理，使處理速度更快。（2）經(jīng)濟(jì)可行性：在設(shè)計(jì)該軟件時(shí)不需要太多的成本，也不需要太多的人力投入，需要連接網(wǎng)絡(luò)。（3）運(yùn)行上可行性：雖然本軟件使用的是多線程處理，消耗的相對(duì)比較大，但是現(xiàn)在一般的電腦都可以運(yùn)行。（4）從社會(huì)需求上分析：更新信息本來是個(gè)工作量大的工作，該軟件就可以避免這個(gè)問題，可以降低工作強(qiáng)度，提高工作效率。

三、系統(tǒng)相關(guān)技術(shù)簡(jiǎn)介

（一）垂直搜索引擎。隨著互聯(lián)網(wǎng)信息的日益發(fā)展、不斷龐大，精確獲取信息的難度越來越大，那么怎樣在大量的信息中找到自己想要的信息，成為了一個(gè)迫在眉睫的問題，需要新的技術(shù)、新的理念來解決這個(gè)棘手的問題，因此搜索引擎的出現(xiàn)成為了必然，同時(shí)也開始影響著我們的需求，影響著我們的生活。由于普通的、通用的搜索引擎有著查詢的信息量很大、但目標(biāo)不夠準(zhǔn)確、有許多重復(fù)的內(nèi)容或根本無關(guān)緊要的內(nèi)容，而且搜索出的信息深度不夠等缺點(diǎn)，所以為精確的搜索出需要的信息，滿足用戶的需求，從而誕生了垂直搜索引擎。

（二）搜索引擎爬蟲。搜索引擎爬蟲是一種按照一定網(wǎng)頁資源無關(guān)性、覆蓋率數(shù)據(jù)結(jié)構(gòu)型、語義檢索等自動(dòng)抓取網(wǎng)絡(luò)資源的程序，它的執(zhí)行過程和網(wǎng)絡(luò)爬行很相似。

現(xiàn)在的網(wǎng)絡(luò)信息都是以網(wǎng)頁的形式加載信息，如果這個(gè)網(wǎng)頁沒有被搜索引擎爬蟲收錄，這個(gè)網(wǎng)頁在互聯(lián)網(wǎng)上是很難找不到的，這只能通過連接直接打開，通過搜索引擎查找是不可能找到的。因?yàn)樗阉饕媾老x采集時(shí)有URL去重功能，所以提供給用戶的都是一些很有價(jià)值的信息。

（三）數(shù)據(jù)采集。網(wǎng)絡(luò)基本上所有網(wǎng)站都分為三大模板：首頁模板、內(nèi)容頁模板，列表頁模板、所以一個(gè)網(wǎng)站的列表頁、文章的HTML代碼的結(jié)構(gòu)基本相同，這就便于去根據(jù)規(guī)律采集文章信息，采集網(wǎng)頁內(nèi)容方式主要有兩種：智能提取和正則提取。

（四）站群。站群是目前比較掙錢的網(wǎng)賺項(xiàng)目之一，為了維護(hù)這些網(wǎng)站每天都得給網(wǎng)站發(fā)布一定數(shù)量的信息，如果一個(gè)網(wǎng)站發(fā)10篇，就得準(zhǔn)備至少100篇文章，這樣的工作量不可能讓人工來操作，必須要有具備采集數(shù)據(jù)功能的軟件協(xié)助，這樣就可以大大提高工作效率。

四、系統(tǒng)總體設(shè)計(jì)分析

（一）系統(tǒng)需求分析。在龐大的Internet信息寶庫中，怎樣精確獲取信息的難度越來越大，用戶也迫切的需要一個(gè)簡(jiǎn)便的檢索工具去得到自己想要的信息，因此搜索引擎的產(chǎn)生成為了必然。搜索引擎的數(shù)據(jù)采集模塊主要是對(duì)網(wǎng)絡(luò)上原創(chuàng)性的網(wǎng)頁信息采集下來保存在數(shù)據(jù)庫中。如果該網(wǎng)頁發(fā)生了更新，數(shù)據(jù)采集模塊會(huì)檢測(cè)到后下載并對(duì)本地的舊信息進(jìn)行替換更新。因此通過剖析網(wǎng)絡(luò)垂直搜索引擎中數(shù)據(jù)采集的基本方法和運(yùn)行機(jī)制，再通過軟件來現(xiàn)實(shí)數(shù)據(jù)采集，從而可以快速解決許多重復(fù)性的勞動(dòng)問題。

（二）系統(tǒng)實(shí)現(xiàn)的目標(biāo)。本系統(tǒng)主要實(shí)現(xiàn)的目標(biāo)有以下幾個(gè)方面：（1）界面設(shè)計(jì)簡(jiǎn)潔、美觀、直觀。（2）數(shù)據(jù)存儲(chǔ)準(zhǔn)確、安全、可靠。（3）任務(wù)運(yùn)行靈活。（4）系統(tǒng)操作性強(qiáng)、維護(hù)方便。

（三）系統(tǒng)功能模塊設(shè)計(jì)。（1）主程序模塊：加載數(shù)據(jù)庫里面的抓取任務(wù)信息，下面的小框中就會(huì)顯示任務(wù)運(yùn)行時(shí)的抓取日志和運(yùn)行進(jìn)程的個(gè)數(shù)。（2）新建任務(wù)模塊：為程序的主要模塊，又分為四個(gè)小模塊：任務(wù)基本信息模塊、提取列表分頁模塊、提取文章地址模塊、提取文章內(nèi)容模塊。（3）文章庫模塊：查看所有抓取的文章信息。（4）系統(tǒng)設(shè)置模塊：設(shè)置每個(gè)線程執(zhí)行的間隔時(shí)間。（5）聯(lián)系方式模塊：關(guān)于系統(tǒng)的簡(jiǎn)介及我們的聯(lián)系方式。（6）任務(wù)控制模塊：控制選中任務(wù)運(yùn)行、暫停、停止。（7）任務(wù)文章查看模塊：查看選中任務(wù)抓取的文章信息。（8）任務(wù)文章刪除模塊：刪除選中任務(wù)抓取的文章。（9）任務(wù)列表加載模塊：實(shí)現(xiàn)刷新、選定任務(wù)刪除、選定任務(wù)運(yùn)行、選定任務(wù)暫停、選定任務(wù)停止、查看選定任務(wù)文章、導(dǎo)出。(10) 加載顯示任務(wù)運(yùn)行日志模塊：顯示所有線程的運(yùn)行狀態(tài)。

（四）系統(tǒng)功能結(jié)構(gòu)圖。根據(jù)基于C#的網(wǎng)絡(luò)類垂直搜索引擎數(shù)據(jù)采集的實(shí)際需求，可以將網(wǎng)絡(luò)類數(shù)據(jù)采集引擎劃分為新建任務(wù)、文章庫、系統(tǒng)設(shè)置、關(guān)于我們、任務(wù)運(yùn)行、任務(wù)暫停、任務(wù)停止、指定任務(wù)文章查看、指定任務(wù)文章刪除、任務(wù)加載列表、顯示任務(wù)運(yùn)行狀態(tài)框、顯示線程數(shù)量12個(gè)部分。

（五）系統(tǒng)流程圖。基于C#的網(wǎng)絡(luò)類數(shù)據(jù)采集引擎的流程是用戶先要新建自己的抓取任務(wù)，依次要填寫任務(wù)名稱、采集方式、網(wǎng)站編碼、入口地址、列表URL提取正則、網(wǎng)頁URL提取正則、內(nèi)容提取方式、內(nèi)容提取正則；然后保存任務(wù)，刷新加載任務(wù)列表，會(huì)顯示新建的任務(wù)，運(yùn)行新建任務(wù)，把抓取到的信息保存在數(shù)據(jù)庫中，同時(shí)顯示任務(wù)運(yùn)行狀態(tài)框會(huì)顯示抓取信息情況。

結(jié)語：雖然該數(shù)據(jù)采集軟件的完成了，但是凡事總是不夠完美，該軟件還有一些不足。因?yàn)樵撥浖l繁地訪問同一個(gè)服務(wù)器上的網(wǎng)頁，服務(wù)器可能會(huì)對(duì)軟件所在的電腦進(jìn)行封鎖IP，禁止在訪問，軟件將無法再抓取，因此該軟件最大的不足就是沒有實(shí)現(xiàn)切換代理IP訪問網(wǎng)頁。另外的不足就是沒有實(shí)現(xiàn)對(duì)應(yīng)發(fā)布功能，這些功能方面應(yīng)該做進(jìn)一個(gè)的完善。

參考文獻(xiàn)：

[1]呂鐵強(qiáng), 于滿泉, 孟慶發(fā). 基于網(wǎng)頁分塊的個(gè)性化信息采集的研究與設(shè)計(jì)[J]. 微電子學(xué)與計(jì)算機(jī), 2012