面向BBS的通用提取算法的分析與設計

鄧良聰 晏先政

摘 要：BBS型網站作為整個互聯網生態中的重要一環，其中蘊含著海量的數據，也是我們獲取信息的重要來源。如何針對這些不同類型的論壇網頁，設計一種通用的算法，對其主題貼和回帖等有價值的信息進行提取，是文章所研究的主要內容。文章在基于對不同類型網頁結構的深入分析，并充分考慮了論壇網頁類型的不一致性、單個網站的易爬取性及通用爬蟲的不可靠性，設計了一種基于網頁縱向分析的提取方案，并詳細敘述了主題爬蟲的算法方案。

關鍵詞：BBS； 噪音處理； 聚類分析； 符號匹配

中圖分類號：F724.6 文獻標志碼：A 文章編號：2095-2945（2018）09-0132-02

Abstract： As an important part of the whole Internet ecology， BBS-type website contains a huge amount of data， and it is also an important source of information. How to design a general algorithm for these different types of forum pages to extract valuable information such as theme posts and reply posts is the main concern of this paper. In this paper， based on the in-depth analysis of different types of web pages， the inconsistency of web page types， the accessibility of individual web sites and the unreliability of common crawlers are fully considered. An extraction scheme based on longitudinal analysis of web pages is designed， and the algorithm of topic crawler is described in detail.

Keywords： BBS； noise processing； cluster analysis； symbol matching

引言[1]

在當今的大數據時代里，伴隨著互聯網和移動互聯網的高速發展，人們產生的數據總量呈現急劇增長的趨勢，當前大約每六個月互聯網中產生的數據總量就會翻一番。互聯網產生的海量數據中蘊含著大量的信息，已成為政府和企業的一個重要數據來源，互聯網數據處理也已成為一個有重大需求的熱門行業。借助網絡爬蟲技術，我們能夠快速從互聯網中獲取海量的公開網頁數據，對這些數據進行分析和挖掘，從中提取出有價值的信息，能幫助并指導我們進行商業決策、輿論分析、社會調查、政策制定等工作。而大部分網頁數據是以半結構化的數據格式呈現的，我們需要的信息在頁面上往往淹沒在大量的廣告、圖標、鏈接等“噪音”元素中。如何從網頁中有效提取所需要的信息，一直是互聯網數據處理行業關注的重點問題之一。

但是，不同網站甚至網頁所使用的網頁格式、網頁結構和標簽體系可能是不一樣的，對于從互聯網中獲取的海量網頁的批量處理，如果還利用傳統的方法去對每個有差異的網頁逐一做人工分析，是不可行的。因此，如何從這些存在差異的網頁中快速有效的提取所需信息，就成為互聯網數據處理中一個急需解決的問題。盡管在傳統的網頁結構化數據提取智能分析實踐中，已經有很多開源的智能提取算法來分析新聞、文章類數據，然而這些方法只適用于提取有大段文本的頁面結構數據信息，如只包含網頁作者、標題、正文內容及發布時間等內容的網頁。而對于BBS論壇型網頁，由于文本在網頁上相對分散且要提取的字段較多，傳統的算法不再適用，需要重新設計通用提取算法，針對帖子內容進行有效地分析提取。

基于上述背景，本文提出一種新的算法，并詳細描述了該算法的具體實現過程和原理

1 整體思路分析

通過對論壇網頁結構的深入分析，發現不同類型的論壇網頁具有一定的共性，比如所有網頁都有發回帖時間，且所有網頁的有效信息均散落在噪聲中。如果能先對噪聲做預處理，把主題帖和回帖從頁面結構中抽離出來，然后再對帖子內部的噪聲做處理，最后得到的文本信息即是需要提取的信息。

2 算法過程

2.1 外部噪聲處理

通過對網頁結構的深入分析，可以發現在需要提取的有效信息周圍，有很多的噪聲。由于本題對圖片音頻視頻不作考慮，因此，本文只討論對文本噪聲的處理[2]。對文本噪聲的具體處理步驟為：

首先，噪聲分類。按照網頁自上而下的分布規律，將這些文本噪聲大分為以下幾類：（1）導航條列表類噪聲；（2）廣告類噪聲；（3）側邊欄列表類噪聲；（4）帖子內部無用文本類噪聲；（5）底部欄文本類噪聲。

其次，噪聲處理[3]。在分析了所有樣本論壇的頁面結構后，可發現幾乎所有的主題貼都有發帖時間，所有的回帖都有回帖時間。而上面所提到的5類噪聲中除了第4類帖子內部無用文本噪聲包含著時間格式，其他類別的噪聲大多都不含時間格式文本。因此，利用正則時間匹配方式，就可以匹配掉除帖子內部噪聲之外的大多數噪聲。除此之外，有的論壇在底部欄也會有網站系統時間，為了防止此類噪聲的干擾，可提前去掉此類標簽。由此即可從圖2所示的整個網頁盒子中分離出主題帖及回帖的盒子。

至此，主題帖盒子和回帖盒子還是緊密相連的，為了達到最終提取網頁有效信息的目的，還需將這兩個盒子分開。因此，本文擬采用下一步中利用id聚類分析的方法來對主題帖和回帖進行分離。

2.2 基于主帖和回帖id的聚類分析

2.2.1 思路分析

在提取到帶有文本噪聲的主題帖和回帖文本信息后，確定哪部分是主題帖信息、哪部分是回帖信息是該部分要解決的關鍵問題。本文考慮將主題帖和回帖進行分塊，不斷縮小盒子模型，以獲取最終的有效信息。

各不同類型論壇網頁的結構大體相同，大部分網頁的HTML語法都是以