新聞採集器

新聞採集器中的模式大多不是程式自動發現的,目前幾乎所有的新聞採集器產品都需要通過人工來定義。 正則表達式定義是目前主流套用的技術,主要代表為火車頭採集器。 文檔結構定義應該說它是目前最先進的技術,已經具備一定的模式學習能力。

新聞採集器是將非結構化的新聞文章從多個新聞來源網頁中抽取出來保存到結構化的資料庫中的軟體。
主要功能
根據用戶自定義的任務配置,批量而精確地抽取目標網路媒體欄目中的新聞或文章,轉化為為結構化的記錄(標題,作者,內容,採集時間,來源,分類,相關圖片等),保存在本地資料庫中,用於內部使用或外網發布,快速實現外部信息的獲取。
主要技術
新聞採集器核心技術是模式定義和模式匹配。模式屬於人工智慧的術語,意思為物體前人積累的經驗的抽象和升華。簡單地說,就是從不斷重複出現的事件中發現和抽象出的規律,是解決問題的經驗的總結。只要是一再重複出現的事物,就可能存在某種模式。
所以要讓新聞採集器能夠運行,目標網站必須具備重複出現的特徵。目前大多網站都是動態生成的,這樣就會讓同一模板的頁面包含相同的內容,新聞採集器正是利用這些相同的內容來定位採集數據的。
新聞採集器中的模式大多不是程式自動發現的,目前幾乎所有的新聞採集器產品都需要通過人工來定義。但模式本身是個很複雜,很抽象的內容,所以所有的開發者精力都花在怎樣讓模式定義更簡單,更準確,這也是新聞採集器競爭力的衡量標準。
但我們怎樣來描述模式呢,目前技術主要有兩種方式:正則表達式定義和文檔結構定義。
正則表達式定義
正則表達式定義是目前主流套用的技術,主要代表為火車頭採集器。此技術簡單,靈活性高。但用戶操作複雜。由於此模式作用於網頁的原始碼上,因此匹配的結果受代碼版面格式影響比較大,並且也不夠直觀,對比較複雜的頁面結構幾乎無能為力。 目前已經有幾款產品使用輔助工具來減低用戶的操作難度。
文檔結構定義
文檔結構定義應該說它是目前最先進的技術,已經具備一定的模式學習能力。此模式作用於文檔這一層,不同於正則表達式作用於頁面原始碼。所謂文檔這一層,指的是原始碼運行後所生成的實際對象,即用戶在瀏覽器所看到的內容。所以操作可視化是此技術天生就具備的能力。
由於它是對文檔結構進行匹配,所以它不受頁面原始碼的影響,用戶定義比較直觀,並且程式能夠根據文檔對象獲取更多的邏輯上的特徵信息,匹配更準確,通用性更強。
此技術在學術研究論文上已經呈現過,也在幾家實驗室開發出此類產品。但真正在商業上套用很少。
目前能夠面向普通大眾的,只有DM實驗室推出的視采採集器,該產品不僅在技術起點上比較高,而且在用戶使用這一層上,所獨有的實時用戶操作嚮導功能也是讓人驚奇的,此技術讓專業級操作變為傻瓜式操作,真是科學讓一切變為可能!
代表
視采新聞採集器;樂思新聞採集器;萬能新聞採集器;新浪新聞採集器

相關詞條

熱門詞條

聯絡我們