社交網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)淺談

邵佩佩（湖北省武漢大學(xué)遙感信息工程學(xué)院,武漢 430072）

社交網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)淺談

邵佩佩
（湖北省武漢大學(xué)遙感信息工程學(xué)院,武漢 430072）

進入大數(shù)據(jù)時代，各類社交網(wǎng)站包涵大量的信息數(shù)據(jù)，本次研究在開源的網(wǎng)絡(luò)爬蟲代碼的基礎(chǔ)上加以創(chuàng)新，研究出了一種新型比較高效的爬蟲算法。通過對社交網(wǎng)絡(luò)進行有目的的數(shù)據(jù)挖掘，并進行過濾提取所需信息，存儲進預(yù)先設(shè)定的數(shù)據(jù)庫。

大數(shù)據(jù);網(wǎng)絡(luò)爬蟲;數(shù)據(jù)挖掘;數(shù)據(jù)庫

1 引言

在信息爆炸的時代，互聯(lián)網(wǎng)使我們可以得到海量數(shù)據(jù)，但并不是這些信息中只有一部分為能為我們所用。如何在海量數(shù)據(jù)中獲取所需的信息，本次研究基于這個問題展開。在社交軟件中，我們知道每個ID對應(yīng)的都有一系列的屬性信息，包括性別、年齡、出生地、所在地等等。首先是數(shù)據(jù)的獲取，參考各類已有的工具，使用網(wǎng)絡(luò)爬蟲作為主要數(shù)據(jù)遍歷的工具。其次，由于網(wǎng)站對IP設(shè)置了訪問次數(shù)的限制，還需解決如何獲取足夠多數(shù)據(jù)的問題，通過借鑒其他的案例，我們采取了線程控制的機制，來控制單位時間的訪問次數(shù)。接著是對數(shù)據(jù)的加工處理，并且通過編程的方式，使用程序?qū)o用信息剔除，存儲有用信息，讀入數(shù)據(jù)庫，構(gòu)建信息鏈。

2 爬蟲的實現(xiàn)

本次研究在開源爬蟲代碼的基礎(chǔ)上進行創(chuàng)新，通過模擬登陸，并且結(jié)合實際網(wǎng)絡(luò)特性利用線程方法控制單位時間內(nèi)的訪問次數(shù)，最后完成對數(shù)據(jù)的析取。

2.1 Python 模擬身份登陸

過程：首先利用加密的用戶名和密碼進行登陸，然后通過微博等社交網(wǎng)絡(luò)的服務(wù)器得到cookies（Cookies就是服務(wù)器暫時存放在你的電腦里的資料，好讓服務(wù)器用來辨認(rèn)你的計算機）。

2.2 控制訪問次數(shù)

由于新浪微博等網(wǎng)站對訪問次數(shù)有限制，所以本次研究在單位時間內(nèi)控制訪問次數(shù)：(1)構(gòu)造高級搜索對應(yīng)的請求參數(shù)字符串。(2)發(fā)送請求并保存搜索結(jié)果。通過線程控制，程序等待一定時間。(3)根據(jù)設(shè)定的終止條件判定是否抓取完畢，否則循環(huán)進行步驟(1)。

2.3 進行數(shù)據(jù)分析與提取

通過網(wǎng)絡(luò)爬蟲抓取的為含有大量冗余無關(guān)數(shù)據(jù)的HTML文本數(shù)據(jù)，本次研究采用基于內(nèi)核IE的網(wǎng)頁抓取算法剔除所獲數(shù)據(jù)中的冗余部分，最終保存相關(guān)數(shù)據(jù)到MySQL 數(shù)據(jù)庫中。

3 數(shù)據(jù)組織與過濾

3.1面向內(nèi)容的初步過濾

爬蟲軟件只能針對開源網(wǎng)頁上的種子進行廣度遍歷，然而不可避免地會收集到重復(fù)的信息，如鏡像網(wǎng)頁等，這是可采取多種算法進行篩選重復(fù)信息，亦即網(wǎng)頁消重。

算法1:排除相同的URL：在開源的爬蟲代碼基礎(chǔ)上，分析不同網(wǎng)頁的URL，規(guī)則是相同的URL代表相同的網(wǎng)頁，此時需要去除重復(fù)的URL。本方法簡單易實現(xiàn)，但沒有利用文本內(nèi)容信息，不能對轉(zhuǎn)載等大體內(nèi)容相近的網(wǎng)頁進行區(qū)分篩選。

算法2：基于聚類去重法[1]：該方法是將網(wǎng)頁的整體文本內(nèi)容視為多維向量，以7000個字符作為向量的一個基,文本中某組或某個漢字所出現(xiàn)的頻率就構(gòu)成了代表網(wǎng)頁的向量,通過計算向量的夾角確定是否是相同的網(wǎng)頁。

由于每個字符對整個文本的重要性是不一樣的，所以我們可以給不同字符賦予不同的權(quán)重，而所有字符的權(quán)重構(gòu)成了網(wǎng)頁文本的空間向量。類似于理論向量的計算過程，需要先計算兩個網(wǎng)頁文本空間向量的夾角，然后依據(jù)該夾角來評估兩個網(wǎng)頁的相似程度。當(dāng)夾角小于某一個閾值時，就認(rèn)為他們是同一類別[2]。

3.2 面向客戶的高級過濾

4數(shù)據(jù)存儲

通過調(diào)用MySQL來存儲通過網(wǎng)絡(luò)爬蟲獲取到的社交網(wǎng)絡(luò)用戶的信息數(shù)據(jù)。MySQL由于其體積小、速度快、總體擁有成本低，尤其是開放源碼這一特點，所以選擇了MySQL作為數(shù)據(jù)庫，將數(shù)據(jù)保存在各種不同的表格中，這提高了存儲速度。調(diào)用MySQL所使用的SQL語言是最常用標(biāo)準(zhǔn)化語言。

我們通過Twisted來連接mysql。Twisted 是一個異步網(wǎng)絡(luò)框架， 意味著標(biāo)準(zhǔn)數(shù)據(jù)庫模塊無法直接使用。同時，對于異步框架而言，這些延遲是無法接受的。因此, Twisted 提供了 twisted.enterprise. adbapi, 遵循DB-API 2.0協(xié)議的一個異步封裝。從而將指定數(shù)據(jù)存儲進數(shù)據(jù)庫中。

[1]李毅.基于向量機的數(shù)據(jù)流聚類學(xué)習(xí)方法研究[Z],2013.

[2]王睿.面向垂直搜索引擎的網(wǎng)頁抓取器的設(shè)計和實現(xiàn)[D].中國海洋大學(xué)計算機技術(shù),2009(11).

[3]Matthew A.Russell.Mining the Social Web[M].機械工業(yè)出版社,2012.