面向多通道爬蟲的Web信息抽取技術研究.pdf

1、隨著Internet的迅猛發(fā)展，網絡已經成為一個信息發(fā)布和消費的巨大平臺?；ヂ摼W具有快速傳播和廣泛覆蓋的特性，對互聯網輿情進行有效監(jiān)控是必不可少的。由于網頁固有的半結構性以及大量存在的與主題無關的噪聲，研究如何從Web中抽取人們所需要的信息變得越來越重要。在一個聚焦于新聞、博客和論壇(它們都是很有代表性的信息傳播渠道)的多通道爬蟲系統(tǒng)中，我們面臨如下挑戰(zhàn):1)大量網站需要監(jiān)控;2)網站有不同的結構和布局;3)網站會不定期改版。這些挑戰(zhàn)促

2、使我們提出高度自動化的Web信息抽取技術，以減少系統(tǒng)的擴展和維護成本。
　　對于新聞、博客這種正文密集的網站，本文提出了一個模板無關的基于有效字符的內容抽取算法CEVC(Content Extraction via Valid Characters)。為了驗證該方法，我們從知名的中文新聞和博客網站上任意爬取了部分網頁，構成測試數據集進行實驗。實驗結果表明CEVC能達到平均95.8％的F1-measure，效果優(yōu)于之前的算法CETR

3、和CEPR，雖然抽取性能和CETD相當，但在預處理階段依賴更小，適用性更強。
　　對于典型的論壇網站，本文利用帖子中普遍存在的發(fā)帖時間信息，提出了一個論壇帖子抽取算法PEAN (Post Extraction via Anchor Nodes)。為了和同樣利用發(fā)帖時間信息的帖子抽取算法MiBAT比較效果，我們從知名的中文論壇網站上采集網頁進行實驗。實驗結果表明PEAN相比于MiBAT在召回率指標上有大幅度提升，平均94. 7%的F