左衛(wèi)剛

摘要 隨著數(shù)字化校園的發(fā)展，校園網(wǎng)數(shù)據(jù)量呈幾何倍增長，信息的查找和定位變得更為困難。本文以大學(xué)校園網(wǎng)為研究對象，在分析了網(wǎng)絡(luò)搜索引擎的原理、核心模塊的基礎(chǔ)上，采用基于Python的Scrapy爬蟲和Whoosh索引庫等技術(shù)，完成了linux平臺下校園網(wǎng)搜索引擎原型系統(tǒng)的構(gòu)建。實(shí)驗(yàn)結(jié)果顯示，本文所提出的搜索引擎原型系統(tǒng)，有效解決了使用通用搜索引擎所產(chǎn)生的校園網(wǎng)信息收錄不完全及索引更新不及時等問題。

【關(guān)鍵詞】校園搜索引擎 網(wǎng)絡(luò)爬蟲 ScrapyWhoosh URL去重 布隆過濾器 中文分詞

1 引言

大數(shù)據(jù)時代的來臨意味著將產(chǎn)生海量的數(shù)據(jù)信息，這些信息被廣泛分布在互聯(lián)網(wǎng)的不同節(jié)點(diǎn)上，如何從中獲取到我們真正需要的信息成為難題。目前用戶獲取信息的主要方式是使用傳統(tǒng)的互聯(lián)網(wǎng)搜索引擎，但因不用領(lǐng)域和不同背景的用戶的檢索目的和需求往往不同，使得通用搜索引擎返回的查詢結(jié)果不是我們真正所關(guān)心和需要的。

近年來，校園信息化建設(shè)不斷推進(jìn)，校園網(wǎng)絡(luò)信息呈現(xiàn)爆發(fā)式增長，校園內(nèi)信息的查找和定位面臨同樣的困境。校園網(wǎng)有其特殊性，比如校園內(nèi)有些站點(diǎn)使用二級或三級域名，甚至不綁定域名直接使用IP訪問等特點(diǎn)。用戶在使用通用搜索引擎來進(jìn)行全域搜索或站內(nèi)搜索就存在信息無法被通用搜索引擎收錄和收錄時間嚴(yán)重滯后等問題，顯然通用搜索引擎的在面對校園網(wǎng)的這些特殊性，效果并不理想。

本文以大學(xué)校園網(wǎng)為研究對象，介紹搜索引擎中的一些關(guān)鍵技術(shù)，通過使用基于Python語言的S crapy開源爬蟲框架，對搜索引擎的爬蟲模塊進(jìn)行開發(fā)，指出Scrapy框架原有的URL去重方法存在的缺陷，提出了一種使用布隆過濾器對S crapy爬蟲框架的URL去重功能進(jìn)行改進(jìn)的方案。同時，根據(jù)實(shí)際經(jīng)驗(yàn)，提出了兩種防止爬蟲被ban的策略。利用基于Python語言的Whoosh索引檢索庫，對本系統(tǒng)索引檢索模塊進(jìn)行開發(fā)。針對Whoosh對中文分詞效果不好的問題，提出了使用jieba開源分詞組件來對Whoosh的中文分詞功能進(jìn)行改進(jìn)。探索性地研究Linux平臺下面向校園網(wǎng)的搜索引擎。

2 網(wǎng)絡(luò)爬蟲

互聯(lián)網(wǎng)就像一張大的蜘蛛網(wǎng)，網(wǎng)絡(luò)爬蟲通過各種遍歷算法從互聯(lián)網(wǎng)上下載用戶需要的信息，我們通常把互聯(lián)網(wǎng)看做一張無限大的蜘蛛網(wǎng)，而蜘蛛網(wǎng)中每一個交叉點(diǎn)就是互聯(lián)網(wǎng)上的一個節(jié)點(diǎn)，各個節(jié)點(diǎn)之間通過超鏈接連在一起。網(wǎng)絡(luò)爬蟲可以以互聯(lián)網(wǎng)中的任何一個節(jié)點(diǎn)出發(fā)，使用遍歷算法，到達(dá)互聯(lián)網(wǎng)中的任何其他節(jié)點(diǎn)，被訪問到的節(jié)點(diǎn)根據(jù)用戶需求對節(jié)點(diǎn)內(nèi)信息進(jìn)行比對判斷，把需要的信息從網(wǎng)頁中下載下來，并進(jìn)行格式化呈現(xiàn)給用戶。

2.1 爬取策略

針對海量的網(wǎng)絡(luò)信息，搜索引擎常用的網(wǎng)絡(luò)爬蟲策略主要有以下幾種：

2.1.1 寬度優(yōu)先策略

寬度優(yōu)先算法（Breadth First Search），又稱為廣度優(yōu)先。它的主體思想是：從V頂點(diǎn)出發(fā)，依次訪問V頂點(diǎn)沒有被訪問過的相鄰點(diǎn)，然后再從這些相鄰點(diǎn)依次訪問它們的相鄰點(diǎn)，并遵循先被頂點(diǎn)訪問的相鄰點(diǎn)先于其他被訪問的相鄰點(diǎn)，這些相鄰點(diǎn)繼續(xù)訪問其所有的相鄰點(diǎn)，如此反復(fù)直到所有的頂點(diǎn)都被訪問到。

下面以圖l為例，來說明寬度優(yōu)先搜索過程。

圖1以VI為起點(diǎn)，首先訪問V3、V4、V6。V3、V4、V6被訪問過之后，再依次訪問V3、V4、V6的相鄰點(diǎn)。訪問V3的相鄰點(diǎn)V2，V4沒有相鄰點(diǎn)，訪問V6的相鄰點(diǎn)V7。訪問完V2河V7后，再訪問V7的相鄰點(diǎn)V5。如此以來，整個的訪問序列為：VI→ V3→ V4→ V6→ V2→V7→ V5

2.1.2 深度優(yōu)先策略

深度優(yōu)先搜索（Depth First Search）和廣度優(yōu)先搜索不同，深度優(yōu)先搜索是一個遞歸的過程，比較類似于樹的先序遍歷。它的主體思想是：

深度優(yōu)先算法類似于“一條路走到黑”。對于一個從未被訪問過的圖，假設(shè)從其V點(diǎn)出發(fā)開始訪問，第一步是訪問與V頂點(diǎn)直接相連的所有頂點(diǎn)，待其所有的頂點(diǎn)均被訪問過以后，再從剛才被訪問過的頂點(diǎn)開始依次訪問與它們直接相連的頂點(diǎn)，重復(fù)上述訪問過程，直到圖中的所有頂點(diǎn)均被訪問到為止。圖2為深度優(yōu)先搜索過程。

圖2中首先訪問V1，然后訪問VI的相鄰點(diǎn)V3、V4、V6。假設(shè)圖中的頂點(diǎn)是按照VI、V2、V3、V4、V5、V6的順序存儲的，因?yàn)樵诖鎯rV3在V4和V6的前面，所以先訪問V3，接下來應(yīng)該訪問V3的相鄰點(diǎn)V2和V4，因?yàn)閂2在V4之前存儲，所以先訪問V2。V2被訪問過之后，訪問V2未被訪問過后的相鄰點(diǎn)，但是V2沒有，返回訪問V4也是沒有。于是返回起始點(diǎn)VI，繼續(xù)訪問Vl的另一個相鄰點(diǎn)V6。訪問V6的相鄰點(diǎn)V7，訪問V7的相鄰點(diǎn)V5所以整個的訪問序列為：V1→ V3→ V2→ V4→V6→V7→V5。

在互聯(lián)網(wǎng)中，每一個網(wǎng)頁都是一個節(jié)點(diǎn)，寬度優(yōu)先搜索引擎和深度優(yōu)先搜索都可以訪問到所有節(jié)點(diǎn)。但是實(shí)際中每個網(wǎng)頁都有不同的重要性，這兩種算法只是可以抓取頁面并排入隊(duì)列，無法有效判定頁面的優(yōu)先級。

2.1.3 非完全PageRank策略

PageRank算法借鑒了學(xué)術(shù)界評判學(xué)術(shù)論文的通用方法。如何評價網(wǎng)絡(luò)中海量信息的重要性，假如一個網(wǎng)站被很多的其他網(wǎng)站做了鏈接，則我們認(rèn)為此網(wǎng)站很重要。這就是SEO中通常所說的PR值，我們在衡量某個網(wǎng)站的重要性時通常會看其PR值，網(wǎng)站在做外鏈時喜歡與比其PR值高的網(wǎng)站做交換鏈接，這樣以來，搜索引擎就會認(rèn)為這個網(wǎng)站也是可信賴的，就會賦予其較高的PR值，這樣在相關(guān)的搜索結(jié)果中排名就會比較靠前。圖3為非完全PageRank策略圖。

在此我們假設(shè)PR值的計(jì)算以3為基數(shù)單位，初始狀態(tài)中已經(jīng)有{P1、P2、P3}3各頁面被下載到了本地，它們的指向鏈接有{P4， P5，P6），這3頁面也是等待爬蟲爬取的集合。如何判斷其爬行的次序，我們通常將已經(jīng)下載的和待爬取的這6個頁面形成一個新的集合，計(jì)算這個集合的PR值，按照PR值得大小次序進(jìn)行爬取。這里假設(shè)待爬行的次序?yàn)镻4，P5，P6，p4下載完畢后，下載P5，P5被爬取后獲取P5的鏈接Ps，此時賦予P8 一個臨時的PR值，如果P8的PR值大于P6，就優(yōu)先下載P8。如此往復(fù)，不斷循環(huán)，直到上圖中所有頁面都被爬取到。這就是非完全PageRank策略的計(jì)算思路。

2.2 Scrapy應(yīng)用

Scrapy是一個高效的WEB爬蟲框架，它完全基于Python開發(fā)而來，常被用于抓取網(wǎng)站信息，并從中提取出結(jié)構(gòu)化數(shù)據(jù)。Scrapy框架簡單而強(qiáng)大，可用于數(shù)據(jù)挖掘和自動化測試等。我們將使用Scrapy框架來編寫本文構(gòu)建的校園網(wǎng)搜索引擎的爬蟲模塊。

2.2.1 Scrapy中URL去重問題

Scrapy自帶的去重方法是通過RFPDupeFilter類來實(shí)現(xiàn)的，在抓取小型網(wǎng)站數(shù)據(jù)時完全夠用，但在面對大型網(wǎng)站時存在內(nèi)存消耗大等問題，這時采用布隆過濾器（ BloomFilter）來改善內(nèi)存消耗過大的問題。布隆過濾器在開源社區(qū)已經(jīng)有相應(yīng)的類庫pybloom。

2.2.2 Scrapy爬蟲防止被禁止策略

爬蟲模塊設(shè)計(jì)完成后，爬蟲將對網(wǎng)站進(jìn)行爬取。因大部分網(wǎng)站都有防止爬蟲的策略，為了防止被ban，可采取以下兩種策略：

（1）在爬蟲的配置文件中將參數(shù)downloaddelay的值設(shè)置為1秒以上，鑒于校園網(wǎng)信息的更新并不是很頻繁，隨這樣會致使抓取的頻率降低，但不受大的影響。

（2）根據(jù)實(shí)際需求編寫user agent中間件，替換掉原來的中間件。

3 索引與檢索

網(wǎng)絡(luò)爬蟲爬過的網(wǎng)站數(shù)據(jù)，經(jīng)過處理后將其添加進(jìn)索引。索引就像是我們?nèi)粘Ｉ钪袝哪夸?，有了目錄我們就可以更快的找到想要看的?nèi)容。索引的基礎(chǔ)其實(shí)是集合論中的布爾運(yùn)算，都是建立在布爾運(yùn)算的基礎(chǔ)之上的。

3.1 正反向索引

搜索引擎索引有正向索引和反向索引。正向索引簡而言之就是將所爬取的信息匯總成關(guān)鍵詞集合，爬蟲爬取信息的同時需要保存與關(guān)鍵詞相關(guān)的很多信息，比如關(guān)鍵詞的具體位置、關(guān)鍵詞在信息中出現(xiàn)的次數(shù)等。用戶在搜索某個關(guān)鍵詞時，首先通過遍歷算法查找包含了此關(guān)鍵詞的信息，這在一定程度上致使效率低下。

反向索引常用于搜索引擎中，與正向索引完全不同，它是通常意義下索引的倒置。反向索引能夠較好地實(shí)現(xiàn)從關(guān)鍵詞到文檔的映射，通過反向索引可以很快地根據(jù)關(guān)鍵詞獲取到需要查詢的數(shù)據(jù)信息。

3.2 Whoosh

索引與檢索模塊可通過開源社區(qū)的Whoosh實(shí)現(xiàn)。Whoosh是完全基于Python的全文索引與檢索編程庫。Whoosh構(gòu)架良好，其包含的諸多模塊都可以根據(jù)用戶的實(shí)際需求進(jìn)行替換，因其沒有二進(jìn)制包，不存在繁瑣的編譯，程序也就不會無故崩潰。

在使用Whoosh時要先建立索引對象，索引中包含索引模式，并以字段的形式存在：

上述代碼建立了索引的模式，title，url，content字段對應(yīng)索引查找目標(biāo)文件的一部分信息，索引內(nèi)容包括每個字段。字段建立索引后，就能被搜索和保存。索引模式建立之后，再建立索引存儲目錄。便可供用戶搜索查詢。

3.3 中文分詞

Whoosh本身的分詞功能是針對英文的，對中文的分詞支持不友好，在本系統(tǒng)的開發(fā)中我們使用jieba中文分詞，它是目前開源社區(qū)中比較活躍的項(xiàng)目，其采用了動態(tài)規(guī)劃查找最大概率路徑，基于前綴詞典實(shí)現(xiàn)了高效的詞圖掃描。jieba分詞可將句子最精確的切開，適合文本分析，在此基礎(chǔ)上，對長詞再次切分，提高召回率，適合于搜索引擎分詞。通過與Whoosh的結(jié)合來提高系統(tǒng)對中文進(jìn)行分詞的能力。

4 實(shí)驗(yàn)分析

搜索質(zhì)量的好壞需要進(jìn)行科學(xué)的搜索質(zhì)量評估。用戶輸入關(guān)鍵詞到獲取到需要的準(zhǔn)確信息，整個過程速度越快，結(jié)果越準(zhǔn)確，說明搜索引擎的質(zhì)量越高。本節(jié)將進(jìn)行相關(guān)測試，以驗(yàn)證搜索系統(tǒng)各方面的性能。

4.1 相關(guān)性量化評價

搜索引擎結(jié)果的好壞與否，體現(xiàn)在結(jié)果的相關(guān)性（ Relevance）上。查準(zhǔn)率（Precisionratio，簡稱為P）和查全率（Recall ratio，簡稱為R）是信息檢索效率評價的兩個重要定量指標(biāo)。要評價搜索引擎的性能水平，就必須進(jìn)行多次檢索。每進(jìn)行一次檢索，都計(jì)算其查準(zhǔn)率和查全率，并將其在平面坐標(biāo)圖上標(biāo)示出來。通過大量的檢索，就可以得到檢索系統(tǒng)的性能曲線。Precision/Recall曲線以每一次計(jì)算的查全率為橫坐標(biāo)，每一次計(jì)算的查準(zhǔn)率為縱坐標(biāo)。經(jīng)過100次檢索得到，由圖4可得出：我們所研究的校園網(wǎng)搜索引擎在查全率和查準(zhǔn)率之間達(dá)到了較好的動態(tài)平衡。

通常情況下，我們也使用ROC曲線來定量評價搜索引擎。ROC曲線的橫坐標(biāo)為不相關(guān)信息量（false positive rate），縱坐標(biāo)為相關(guān)信息量（true positive rate）。圖5曲線也是由100次檢索得到，由圖5可知，在ROC空間繪制的ROC曲線凸向西北方向，效果較好。

4.2 收錄及時性評價

大學(xué)校園中有海量的信息資源，搜索引擎收錄的及時性和完整性非常重要。通過30余個關(guān)鍵字的測試發(fā)現(xiàn)：通用搜索引擎的收錄滯后在7-15天，使用IP訪問的四個站點(diǎn)的信息沒有被通用搜索引擎收錄。而我們構(gòu)建的搜索引擎可按照需求更改爬行頻率，信息收錄非常及時。我們亦可隨時將網(wǎng)站添加到系統(tǒng)的爬蟲待爬隊(duì)列中，IP訪問的網(wǎng)站信息也得到較好的收錄。

實(shí)驗(yàn)證明，本文所構(gòu)建的搜索引擎原型系統(tǒng)，解決了使用通用搜索引擎索引更新頻率無法控制，對校園網(wǎng)消息收錄不完全的問題。更適合校園網(wǎng)搜索的個性化需求。

5 結(jié)語

本文研究的校園網(wǎng)搜索引擎，有效解決了校園網(wǎng)內(nèi)信息不能被通用搜索引擎有效收錄或收錄不及時等問題，并完成了以下工作：針對S crapy網(wǎng)絡(luò)爬蟲框架自帶的網(wǎng)頁去重功能存在的缺陷，從理論上提出了使用布隆過濾器解決問題的方案;根據(jù)校園網(wǎng)特點(diǎn)，提出兩種防止爬蟲被禁止的方案;使用開源的jieba技術(shù)與Whoosh索引庫相結(jié)合，有效提高了中文分詞能力。

參考文獻(xiàn)

[1]史寶明，賀元香，吳崇正，主題搜索引擎中爬蟲搜索策略的研究[J].計(jì)算機(jī)工程與應(yīng)用，2013 （08）：56-58.

[2]黃榮懷，張進(jìn)寶，胡永斌，智慧校園：數(shù)字校園發(fā)展的必然趨勢[J].開放教育研究，2012，18 （04）：12-17.

[3]李志義，網(wǎng)絡(luò)爬蟲的優(yōu)化策略探略[J].現(xiàn)代情報(bào)，2011，31 （10）：31-34.

[4]王燕，智慧校園建設(shè)總體架構(gòu)模型及典型應(yīng)用分析[J].中國電化教育，2014 （09）：88-92.

[5]于娟，劉強(qiáng)，主題網(wǎng)絡(luò)爬蟲研究綜述[J].計(jì)算機(jī)工程與科學(xué)，2015 （02）：36-39.