通用论坛正文提取算法 一、背景介绍

《通用论坛正文提取算法 一、背景介绍》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、通用论坛正文提取算法一、背景介绍在当今的大数据时代里，伴随着互联网和移动互联网的高速发展，人们产生的数据总量呈现急剧增长的趋势,当前大约每六个月互联网中产生的数据总量就会翻一番。互联网产生的海量数据中蕴含着大量的信息，已成为政府和企业的一个重要数据来源，互联网数据处理也已成为一个有重大需求的热门行业。借助网络爬虫技术，我们能够快速从互联网中获取海量的公开网页数据，对这些数据进行分析和挖掘，从中提取出有价值的信息，能帮助并指导我们进行商业决策、舆论分析、社会调查、政策制定等工作。但是，大部分网页数据是以半结构化的数据格式呈现的，我们需要的信息在页面上往往淹没在大量的广告、图标、链

2、接等“噪音”元素中。如何从网页中有效提取所需要的信息，一直是互联网数据处理行业关注的重点问题之一。网页通常采用超级文本标记语言（英文缩写：HTML）来编写，页面上的不同元素如作者、主题、发布日期等出现在一对特定的标记符之间。例如当我们看到如下一个论坛网页：图1我们可以通过查看这个网页的源代码，查看到与之对应的信息（1）标题信息：图2（2）题主信息：图3（3）题主发帖内容图4（4）回帖信息图5图中的网页源代码就是超级文本标记语言（HTML），关于超级文本标记语言百度百科中是这样描述的：超级文本标记语言是标准通用标记语言下的一个应用，也是一种规范，一种标准，它通过标记符号来标记要显

3、示的网页中的各个部分。网页文件本身是一种文本文件，通过在文本文件中添加标记符，可以告诉浏览器如何显示其中的内容（如：文字如何处理，画面如何安排，图片如何显示等）。维基百科中对HTML语言的标记、元素、属性、数据类型等也有详细的描述和样例说明。对于给定的一个具体网页，通常的做法是，人工分析这个网页的源代码，找到特定内容对应的标签，然后通过关键字匹配（例如标签匹配）的方法就可以从网页源代码中获取到我们所关心的数据，如下表所示：表1HTML标签与内容的对应标题：题主：发帖内容：

4、bs-contentclearfix">回帖信息：但是，不同网站甚至网页所使用的网页格式、网页结构和标签体系都可能是不一样的，对于从互联网中获取的海量网页的批量处理，如果还利用传统的方法去对每个有差异的网页逐一做人工分析，是不可行的。如何从这些存在差异的网页中快速有效的提取所需信息，就成为互联网数据处理中一个急需解决的问题。在传统的网页结构化数据提取智能分析实践中，已经有很多开源的智能提取算法来分析新闻、文章类数据，但是这些方法只适用于提取有大段文本的页面结构数据信息，如：网页的作者(author)、标题(title)、正文内容(co

5、ntent)、发布时间(publish_date)。对于BBS论坛类的网页，由于文本在网页上相对分散，提取的字段更多，传统的算法不再适用，需要重新设计通用提取算法，针对主题帖(post)和回帖(reply)进行有效地分析提取。本赛题是针对当前互联网数据处理行业的这一实际需求而提出，旨在研究如何高效、智能地从海量论坛网页中自动地进行内容抽取，提炼出其中的有价值信息。请实现以下目标对于任意BBS类型的网页，获取其HTML文本内容，设计一个智能提取该页面的主贴、所有回帖的算法。如下面的网页截图所示，提取主贴和回帖的区域，提取出相应数据字段（只需要提取文本，图片、视频、音乐等媒体可以直

6、接忽略），并按规定的数据格式（Json格式）存储。图6重要说明：1.Json数据字段说明：post：主题帖author：用户名title：标题content：帖子内容publish_date:帖子的发布日期，格式：yyyy-MM-ddreplys:该页的回帖列表每条回帖的主要字段同post,若回帖无title字段，可为空2.算法要求：算法必须具有通用性，必须支持互联网的任意类型BBS网站，不得只针对附件所给的样例网站、或特定类型的开源论坛（例如discuz、phpwind）数据样例1.样例输入数据格式：（每行一条论坛的内容页的url）http://bbs.tia

7、nya.cn/post-stocks-1841155-1.shtml(包含主贴的url)http://bbs.tianya.cn/post-stocks-1841155-3.shtml（不包含主贴的url）2.样例输出数据格式（必须按如下格式提交结果）：每行数据有{原始url}t{提取结果的json字符串}，表示某一个html页面(url)提取出来的数据，示例数据格式：http://x.heshuicun.com/forum.php?mod=viewthread&tid=80{"post"