Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin

  • Số trang: 60 |
  • Loại file: PDF |
  • Lượt xem: 17 |
  • Lượt tải: 0
nganguyen

Đã đăng 34173 tài liệu

Mô tả:

Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 TRƯỜNG …………………. KHOA………………………. -----[\ [\---- Báo cáo tốt nghiệp Đề tài: TÌM HIỂU VỀ TRÌNH THU THẬP WEB VÀ XÂY DỰNG TRANG WEB VÀ XÂY DỰNG TRANG TỔNG TỔNG HỢP THÔNG TIN I Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 LỜI CẢM ƠN Tôi xin bày tỏ lòng biết ơn sâu sắc của mình đến thầy Hoàng Xuân Huấn, thuộc bộ môn Khoa học máy tính, khoa Công nghệ thông tin, trường Đại học Công Nghệ, ĐHQGHN. Trong quá trình thực hiện khóa luận, thầy đã nhiệt tình giúp đỡ, giải đáp các thắc mắc tạo động lực giúp tôi hoàn thành khóa luận tốt nghiệp này. Tôi cũng xin được bày tỏ lời cảm ơn tới các thầy cô trong bộ môn nói riêng và trong khoa Công nghệ thông tin nói chung đã nhiệt tình giảng dạy để giúp chúng tôi có được như ngày hôm nay. Cuối cùng là lời cảm ơn tới gia đình, bạn bè những người luôn sát cánh bên tôi những lúc khó khăn, luôn ủng hộ giúp đỡ để tôi hoàn thành khóa luận này. II Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 TÓM TẮT NỘI DUNG Do nhu cầu thu thập thông tin của con người ngày càng tăng, lượng thông tin trên internet ngày càng phong phú nên vấn đề tổng hợp thông tin ngày càng trở nên bức thiết. Với một lượng dữ liệu lớn việc thu thập bằng tay tốn rất nhiều công sức, và không đạt hiệu quả cao, chính vì thế cần một công nghệ có thể tổng hợp thông tin một cách tự động và trình thu thập web đã ra đời. Đề tài khóa luận đặt ra vấn đề tìm hiểu về trình thu thập thông tin trên web và bước đầu sẽ xây dựng một ứng dụng có khả năng tổng hợp thông tin tự động từ trang báo điện tử lớn là trang Dân trí (http://dantri.com.vn). Ứng dụng được viết bằng ngôn ngữ lập trình PHP tương tác với cơ sở dữ liệu mySQL và được xây dựng dựa trên các tiêu chí: tốc độ thu thập nhanh, cơ sở dữ liệu gọn nhẹ, đảm bảo tính toàn vẹn của tài liệu gốc. III Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 MỤC LỤC MỞ ĐẦU ............................................................................................................1 CHƯƠNG 1. TÌM HIỂU VỀ TRÌNH THU THẬP WEB.................................3 1.1. GIỚI THIỆU VỀ TRÌNH THU THẬP WEB ..............................................3 1.2. CÁCH XÂY DỰNG MỘT HẠ TẦNG THU THẬP...................................4 1.2.1. Frontier .................................................................................................6 1.2.2. Lược sử và kho lưu trữ trang.................................................................7 1.2.3. Cách lấy trang........................................................................................8 1.2.3.1. Tiêu chuẩn loại trừ robot ................................................................9 1.2.4. Bóc tách trang......................................................................................10 1.2.4.1. Tiêu chuẩn trích xuất URL ...........................................................11 1.2.4.2. Mô hình thẻ HTML dạng cây .......................................................12 1.2.5. Trình thu thập đa luồng .......................................................................13 1.3. CÁC CHIẾN LƯỢC THU THẬP DỮ LIỆU ............................................15 1.3.1. Chiến lược thu thập dữ liệu theo chiều sâu .........................................16 1.3.2. Chiến lược thu thập dữ liệu theo chiều rộng .......................................16 1.3.3. Chiến lược thu thập dữ liệu theo ngẫu nhiên ......................................17 1.3.4. Chiến lược thu thập dữ liệu theo lựa chọn tốt nhất ngây thơ. .............17 1.4. ĐÁNH GIÁ CỦA TRÌNH THU THẬP.....................................................19 1.4.1. Độ quan trọng của trang web ..............................................................20 1.4.2. Phân tích tổng quát ..............................................................................21 1.4.2.1. Thước đo độ chính xác .................................................................22 1.4.2.2. Thước đo độ hoàn chỉnh ...............................................................22 CHƯƠNG 2. XÂY DỰNG WEBSITE TỔNG HỢP THÔNG TIN ...............25 2.1. CÁC KIẾN THỨC NỀN TẢNG ...............................................................25 IV Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 2.1.1. Mạng toàn cầu .....................................................................................25 2.1.2. Giao thức truyền tải siêu văn bản........................................................28 2.1.3. Ngôn ngữ đánh dấu siêu văn bản ........................................................28 2.2. CÁC CÔNG NGHỆ LIÊN QUAN ...........................................................30 2.2.1. Ngôn ngữ lập trình PHP ......................................................................30 2.2.1.1. Biểu thức chính quy......................................................................31 2.2.1.2. Các hàm xử lý chuỗi .....................................................................34 2.2.1.2.1. Tìm kiếm chuỗi trong chuỗi...................................................34 2.2.1.2.2. Tìm vị trí của chuỗi con .........................................................34 2.2.1.2.3. Hàm so sánh chuỗi .................................................................34 2.2.1.2.4. Kiểm tra chiều dài của chuỗi .................................................35 2.2.2. MySQL................................................................................................35 2.2.3. Một số công nghệ và tiện ích khác......................................................37 2.2.3.1. Add-ons firebug của firefox .........................................................37 2.2.3.2. Ajax...............................................................................................37 2.3. PHÂN TÍCH ..............................................................................................38 2.3.1. Cấu trúc bài viết trong trang báo điện tử.............................................38 2.3.2. Các cách thu thập bài viết ...................................................................42 2.3.2.1. Cách làm truyền thống..................................................................42 2.3.2.1.1. Các bước thực hiện ................................................................42 2.3.2.1.2. Nhận xét .................................................................................44 2.3.2.2. Cách làm mới................................................................................45 2.3.2.2.1. Các bước thực hiện ................................................................45 2.3.2.2.2. Nhận xét .................................................................................46 2.4. THIẾT KẾ..................................................................................................47 2.4.1. Cấu trúc cơ sở dữ liệu..........................................................................47 V Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 2.4.1.1. Danh sách các bảng ......................................................................47 2.4.1.2. Chi tiết các bảng ...........................................................................47 2.4.2. Phần quản trị cơ sở dữ liệu..................................................................49 2.4.3. Phần giao diện chính trang web ..........................................................50 CHƯƠNG 3: KẾT LUẬN .................................................................................50 3.1. CÁC KẾT QUẢ ĐÃ ĐẠT ĐƯỢC ............................................................51 3.2. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI .....................................................51 TÀI LIỆU THAM KHẢO..................................................................................53 VI Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 BẢNG DANH MỤC CÁC HÌNH MINH HỌA Hình 1: Một vòng thu thập web cơ bản ..................................................................5 Hình 2: Mô hinh cây tương ứng với một mã nguồn HTML.................................12 Hình 3: Một mô hình trình thu thập đa luồng.......................................................14 Hình 4: Hình minh họa về độ hoàn chỉnh và độ chính xác ..................................21 Hình 5: Hình mình họa thu hồi mục tiêu ..............................................................23 Hình 6: So sánh giữa thuật toán breadth-first và naive best-first .........................24 Hình 7: World wide web.......................................................................................26 Hình 8. Tương tác client và server .......................................................................28 Hình 9: Add-ons firebug của trình duyệt firefox..................................................37 Hình 10: Cấu trúc phần bài viết............................................................................39 Hình 11: Cấu trúc phần chuyên mục ....................................................................40 Hình 12: Cấu trúc phần trang chủ.........................................................................41 Hình 13: Giao diện phần quản trị cơ sở dữ liệu....................................................49 Hình 14: Giao diện của trang web tổng hợp thông tin .........................................50 VII Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 MỞ ĐẦU Ngày nay nhờ sự bùng nổ của công nghệ thông tin, lịch sử nhân loại đã bước sang một trang mới. Những thành tựu của ngành công nghệ thông tin là vô cùng to lớn, nó đã chi phối và làm thay đổi mọi mặt của đời sống xã hội, làm cho cuộc sống của con người văn minh, hiện đại hơn. Sự ra đời của internet chính là bước tiến vĩ đại của nhân loại, là yếu tố quan trọng bậc nhất chi phối cuộc sống của chúng ta ngày nay. Nhờ có internet thế giới trở nên ‘phẳng’ hơn, ở mọi nơi trên trái đất chúng ta đều có thể học tập và tìm kiếm thông tin. Theo guồng quay của cuộc sống, thế giới internet ngày càng rộng lớn và phong phú hơn. Cứ mỗi phút trôi qua có thêm hàng triệu trang web được sinh ra để làm giàu cho vốn tài nguyên tri thức của nhân loại. Nhưng cũng chính vì thế mà việc chọn lọc, tìm kiếm thông tin lại trở nên khó khăn hơn. Với kho dữ liệu đồ sộ như internet, vấn đề trích xuất và tổng hợp thông tin đã trở thành vấn đề thực sự cấp thiết hiện nay. Nếu giải quyết được vấn đề này chúng ta sẽ loại bỏ được một chướng ngại lớn trên con đường tổng hợp thông tin của nhân loại. Đề tài khóa luận đặt ra vấn đề tìm hiểu về trình thu thập thông tin trên web và bước đầu sẽ xây dựng một ứng dụng có khả năng tổng hợp thông tin tự động từ các trang báo điện tử lớn. Đề tài nếu thành công sẽ là bước đi không nhỏ giúp cho việc tổng hợp thông tin trở nên đơn giản hơn, giảm được nhiều chi phí công sức so với việc tổng hợp thủ công, và là tiền đề để xây dựng nên một hệ thống máy tìm kiếm, giống như google, cho người Việt Nam. Nội dung của khóa luận sẽ tập trung vào các mục tiêu chính sau: - Đưa ra được một cái nhìn tổng quát về trình thu thập web (web crawler) - Xây dựng một ứng dụng website tổng hợp thông tin có khả năng thu thập các bản tin từ các trang báo lớn như Dân trí. Để giải quyết được các mục tiêu này, khóa luận được chia thành ba chương lớn: Chương 1: Tìm hiểu về trình thu thập web Trong chương này, chúng ta sẽ lần lượt tìm hiểu các khái niệm cơ bản trong trình thu thập web. Phần lớn nội dung trong chương này sẽ đi sâu vào việc tìm hiểu các thành phần cấu thành nên một trình thu thập, các chiến lược thu thập dữ liệu, việc đánh giá của trình thu thập đối với trang web. Qua đó chúng ta sẽ có một bức tranh chung 1 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 về trình thu thập web, và có thể hiểu hơn về các giá trị thực tiễn mà nó mang lại trong đời sống của con người. Chương 2: Xây dựng ứng dụng website tổng hợp thông tin Phần đầu chương sẽ trình bày về các kiến thức nền tảng và các công nghệ liên quan, ở phần tiếp theo là các đánh giá phân tích và các giải pháp nhằm nâng cao hiệu suất của trình thu thập, phần cuối chương là việc hiện thực hóa ứng dụng thông qua việc xây dựng hệ thống cơ sở dữ liệu và thiết kế giao diện website. Cũng trong phần này tôi sẽ nêu ra hai cách thu thập thông tin. Một là cách làm phổ biến hiện nay tôi gọi là cách làm truyền thống, một là cách làm mới tôi tìm ra. Cách làm mới này tối ưu hơn và có thể giải quyết được các hạn chế trong cách làm truyền thống. Chương 3: Kết luận Phần kết luận cũng là phần cuối của khóa luận sẽ nhìn lại những điều đã làm được trong khóa luận này, nêu lên những vấn đề còn vướng mắc, từ đó đề ra hướng phát triển tiếp theo cho đề tài. 2 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 CHƯƠNG 1. TÌM HIỂU VỀ TRÌNH THU THẬP WEB 1.1. GIỚI THIỆU VỀ TRÌNH THU THẬP WEB Trình thu thập web (Web crawler) là một chương trình khai thác cấu trúc đồ thị của web di chuyển từ trang này qua trang khác. Thời kỳ đầu nó có những tên khá tượng hình như bọ web, rô-bốt, nhện và sâu, nhưng ngày nay tên gọi phổ biến nhất là vẫn là trình thu thập web [1]. Mặc dù vậy cụm từ ‘thu thập’ không lột tả được hết tốc độ của những chương trình này, vì chúng có tốc độ làm việc đáng kinh ngạc, có thể thu thập dữ liệu lên đến hàng chục ngàn trang trong vòng một vài phút. Từ thời kỳ đầu, một động lực quan trọng thúc đẩy quá trình phát triển của việc thiết kế trình thu thập web là lấy được nội dung các trang web và thêm chúng hoặc đường dẫn của chúng vào một kho lưu trữ trang – một kiểu kho lưu trữ có thể dùng để phục vụ cho các ứng dụng cụ thể trong công cụ tìm kiếm web (search engine). Các trình thu thập thường bắt đầu bằng cách chọn một số các đường dẫn (URL) ứng với các trang web sẽ ghé thăm đầu tiên, các trang này được gọi là các trang hạt giống. Khi ghé thăm một trang hạt giống, trình thu thập sẽ đọc nội dung trang web, lọc ra tất cả các siêu liên kết (hyperlink) có trong trang web đó và đưa các URL tương ứng với chúng vào một danh sách gọi là biên giới (frontier). Dựa vào danh sách này, trình thu thập tiếp tục quá trình duyệt đệ quy để ghé thăm tất cả các URL chưa được duyệt. Quá trình này chỉ dừng lại khi trình thu thập đã thu thập đủ số trang yêu cầu hoặc frontier là rỗng, tức là không còn URL để duyệt. Tuy mô tả này có vẻ đơn giản nhưng đằng sau chúng là khá nhiều vấn đề hóc búa liên quan đến kết nối mạng, bẫy nhện, tiêu chuẩn trích xuất URL, chuẩn hóa các trang HTML, bóc tách nội dung trang HTML vv... Ở phần sau của khóa luận tôi sẽ lần lượt trình bày đến các vấn đề này và hướng giải quyết của chúng. Sau khi đã có được một danh sách các URL dùng cho việc thu thập, ta sẽ thực hiện quá trình lấy trang. Tất cả các trang được lấy một lần và được lưu vào một kho lưu trữ giống như cơ sở dữ liệu của công cụ tìm kiếm, đến đây không cần thu thập thêm. Tuy nhiên web là một thực thể năng động với các không gian con liên tục phát triển và thay đổi nhanh một cách chóng mặt, vì thế thông tin phải liên tục được thu thập để giúp các ứng dụng luôn cập nhật, ví dụ như bổ sung các trang mới loại bỏ các trang đã bị xóa, di chuyển hoặc cập nhật các trang bị sửa đổi. 3 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 Các trang web chủ yếu được viết bằng các ngôn ngữ đánh dấu như HTML, XHTML và được nhắm đến đối tượng sử dụng là con người chứ không phải máy tính. Các trang web lại chứa đựng nhiều thông tin có ích mà con người có thể muốn thu thập và lưu trữ lại, chính vì thế mà cần phải có những kỹ thuật bóc tách và trích xuất thông tin theo một cơ chế tự động. Các kỹ thuật bóc tách dữ liệu (parsing) có thể ở mức đơn giản như việc bóc tách các siêu liên kết, hoặc ở mức phức tạp hơn một chút là bóc tách bất kỳ phần nội dung nào trong một trang web. Về bản chất, quá trình thu thập web chính là quá trình duyệt đệ quy một đồ thị. Các web được xem như một đồ thị với các trang là các đỉnh (node) và các siêu liên kết là các cạnh. Quá trình lấy trang và trích xuất các liên kết bên trong nó tương tự như việc mở rộng tìm kiếm một đỉnh trong đồ thị. Việc tìm kiếm này là khác nhau trong các trình thu thập sử dụng chiến lược tìm kiếm khác nhau. Phần sau của khóa luận tôi sẽ trình bày sâu hơn về các chiến lược tìm kiếm và đưa ra các số liệu thống kê để so sánh hiệu suất của các chiến lược tìm kiếm này từ đó rút ra đánh giá về hiệu suất của các trình thu thập. Trình thu thập web là thành phần đầu tiên trong toàn bộ hệ thống search engine. Mục đích chung của các hệ thống search engine là số lượng trang web đầu vào đạt giá trị cao nhất có thể, trong đó trình thu thập web làm công việc chính là duy trì cơ sở dữ liệu được đánh chỉ mục, trả về giá trị của bộ thu thập và bộ lập chỉ mục cho hàng triệu truy vấn nhận được từ người dùng. Các trang được đánh chỉ mục dựa trên các thuật toán ưu tiên hoặc dựa vào các phương pháp dựa trên kinh nghiệm (heuristic). Ngoài ra, chúng ta có thể sử dụng trình thu thập web để xây dựng các phần mềm tập trung thông tin, các trang web tổng hợp thông tin, dựa trên cơ chế tự động tìm và phát hiện tài nguyên. 1.2. CÁCH XÂY DỰNG MỘT HẠ TẦNG THU THẬP Hình 1 cho ta thấy một chu trình của một trình thu thập web cơ bản [1] 4 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 Hình 1 : Một vòng thu thập web cơ bản Trình thu thập chứa một danh sách các URL chưa được thăm gọi là biên giới (frontier). Danh sách được khởi tạo bởi một số các URL hạt giống – các URL này được cung cấp bởi một người dùng hoặc một chương trình khác. Mỗi vòng lặp là một quá trình gồm các bước : - Lấy một URL tiếp theo từ frontier ra để thu thập. Lấy trang tương ứng với URL thông qua HTTP. Bóc tách trang vừa lấy để trích xuất ra các URL và các nội dung thông tin cụ thể. Cuối cùng là thêm các URL chưa thăm vào frontier. 5 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 Trước khi các URL được thêm vào frontier chúng có thể được đánh chỉ mục dựa trên số lượng truy cập vào trang web ứng với URL. Quá trình thu thập sẽ chấm dứt ngay khi trình thu thập đạt đủ số lượng trang nhất định hoặc frontier rỗng, đây được gọi là trạng thái kết thúc (dead-end) của trình thu thập. 1.2.1. Frontier Frontier là một danh sách chứa các URL của các trang chưa thăm. Trong thuật ngữ tìm kiếm đồ thị, frontier là một danh sách mở các đỉnh chưa được mở rộng. Đối với một trình thu thập lớn frontier có thể chứa hàng chục ngàn đến hàng trăm ngàn trang và phải lưu trữ trong ổ cứng. Tuy vậy frontier nào cũng có một miền giới hạn nhất định, miền giới hạn này lớn hay nhỏ phụ thuộc vào bộ nhớ của máy tính. Khi số lượng URL thu thập được vượt quá giới hạn này chúng ta sẽ cần một cơ chế để loại bỏ các URL ứng với các trang ít quan trọng và giữ lại các URL ứng với các trang quan trọng. Lưu ý rằng tốc độ thêm các URL vào frontier nhanh gần bằng tốc độ thu thập thông tin. Nó có thể thêm tới 60000 URL ngay khi trình thu thập thu thập dữ liệu của 10000 trang, giả định trung bình mỗi trang có khoảng 7 liên kết. Frontier có thể coi như một hàng đợi làm việc theo cơ chế FIFO (viết tắt của First In First Out, [6]) nghĩa là vào trước ra trước trong trường hợp chúng ta sử dụng thuật toán tìm kiếm theo chiều rộng để thu thập thông tin. Trình thu thập sử dụng chiến thuật tìm kiếm này gọi là trình thu thập theo chiều rộng [5]. Các URL được lấy ra thu thập được chọn từ trên xuống dưới trong danh sách và các URL mới được thêm vào đuôi của danh sách. Do miền giới hạn của frontier, ta phải đảm bảo các URL chỉ được lấy một lần. Để tìm kiếm xem một URL mới được trích xuất đã có trong danh sách chưa là khá phức tạp vì số lượng trang là rất lớn mỗi lần tìm kiếm là một lần chạy vòng for điều này là khá bất cập. Vì vậy có một giải pháp là sử dụng một phần bộ nhớ để duy trì một hàm băm với URL là khóa [8]. Hàm băm này sẽ sinh ra các giá trị băm tương ứng với mỗi URL. Sở dĩ sử dụng hàm băm sẽ tìm kiếm nhanh hơn vì việc so sánh các giá trị băm nhanh hơn nhiều việc so sánh một giá trị với một khối dữ liệu lớn. Hiện nay do bộ nhớ máy tính là rất lớn nên vấn đề về bộ nhớ là không mấy quan trọng so với vấn đề về tốc độ. Do vậy, cách sử dụng hàm băm được sử dụng rộng rãi vì tuy là tốn bộ nhớ hơn nhưng tốc độ tìm kiếm lại được cải thiện đáng kể. Khi frontier đạt đến miền giới hạn, thì các trình thu thập theo chiều rộng sẽ làm việc theo cơ chế sau : sau khi đưa một URL ra khỏi frontier để tiến hành quá trình thu 6 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 thập trang tương ứng thay vì việc lấy tất cả URL trong trang này trình thu thập sẽ chỉ lấy URL chưa thăm đầu tiên và thêm vào frontier. Frontier có thể coi như một hàng đợi ưu tiên trong trường hợp chúng ta sử dụng thuật toán tìm kiếm theo lựa chọn tốt nhất [5]. Trình thu thập sử dụng chiến thuật tìm kiếm này gọi là trình thu thập ưu tiên. Hàng đợi ưu tiên là một mảng với các phần tử là các URL được sắp xếp theo điểm đánh giá. Điểm đánh giá này được xác định dựa trên một số các phương pháp dựa trên kinh nghiệm (heuristic). Trình thu thập ưu tiên sẽ làm việc theo cơ chế sau: URL được lấy ra khỏi frontier để tiến hành thu thập luôn là URL tốt nhất. Sau khi thu thập trang tương ứng, các URL được trích xuất ra được đưa vào frontier và các danh sách URL được sắp xếp lại theo điểm đánh giá. Để tránh việc trùng lặp URL chúng ta cũng duy trì một hàm băm với các khóa là URL để tra cứu. Khi frontier đạt đến miền giới hạn, cơ chế làm việc của trình thu thập tối ưu cũng giống với trình thu thập theo chiều rộng chỉ khác là các URL được lấy là các URL tốt nhất (tức là URL có điểm đánh giá cao nhất). Trong trường hợp trình thu thập nhận thấy frontier là danh sách rỗng (không thể lấy ra các URL tiếp theo để thu thập) thì quá trình thu thập sẽ kết thúc. Tuy vậy trường hợp rất hiếm xảy ra vì với một số URL hạt giống và miền giới hạn khá lớn frontier hiếm khi đạt trạng thái rỗng. Nhiều khi một trình thu thập có thể bắt gặp một bẫy nhện (spider trap, [3]) dẫn nó đến một lượng lớn các URL khác nhau nhưng trỏ đến cùng một trang web. Một cách để giảm bớt vấn đề này là hạn chế số lượng trang mà các trình thu thập truy cập từ một tên miền nhất định. Các mã liên kết với frontier có thể đảm bảo rằng trong một chuỗi liên tiếp các URL (khoảng 100 URL) trong frontier sẽ chỉ chứa một URL từ một tên miền máy chủ (ví dụ như www.cnn.com). Như vậy trình thu thập sẽ tốt hơn bởi không truy cập vào cùng một trang quá thường xuyên và các trang được thu thập cũng có xu hướng đa dạng hơn. 1.2.2. Lược sử và kho lưu trữ trang Lược sử thu thập dữ liệu [1] là một danh sách đánh dấu theo thời gian các URL được lấy bởi trình thu thập. Một URL được đưa vào lược sử chỉ sau khi đã trả về các URL bên trong nó. Lược sử có thể sử dụng để phân tích và đánh giá thông tin. Lược sử được lưu trữ nhằm cung cấp cho một tra cứu nhanh để kiểm tra xem một trang đã được thăm hay chưa. Kiểm tra này là khá quan trọng nhằm tránh các trang bị thăm lại và 7 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 tránh thêm việc thu thập lại các trang này. Do kích thước của frontier có hạn và bộ nhớ của máy tính hiện nay là vô cùng lớn nên việc duy trì một lược sử cần thiết nhằm nâng cao hiệu quả hoạt động của trình thu thập. Một điều cần chú ý là phải chuẩn hóa URL trước khi đưa vào lược sử. Khi một trang được lấy nó phải được lưu trữ và lập chỉ mục nhằm mục đích phục vụ cho các ứng dụng sau này (chẳng hạn như công cụ tìm kiếm). Đây là công việc mà một kho lưu trữ trang phải làm. Một kho lưu trữ trang ở dạng đơn giản sẽ chứa các trang thu thập theo từng file riêng biệt. Trong trường hợp đó, mỗi trang phải đặt trong một tệp tin duy nhất. Một cách để làm điều này là đặt mỗi trang URL tương ứng với một chuỗi sau đó sử dụng một vài dạng của hàm băm với xác suất xung đột thấp để mã hóa. Giá trị kết quả của hàm băm được sử dụng làm tên của tập tin. Ví dụ ta có thể sử dụng hàm băm MD5 [8] cung cấp một mã băm 128 bit cho mỗi URL. Giá trị băm 128 bit sau đó được chuyển đổi sang hệ thập lục phân (hecxa) 32 ký tự để lấy ra tên file. Ví dụ nội dung của http://coltech.vnu.edu.vn được lưu trữ trong một tập tin tên là 160766577426e1d01fcb7735091ec584. Bằng cách này chúng ta có độ dài tên tập tin luôn cố định cho dù có bao nhiều URL đi nữa. Tất nhiên nếu chỉ cần lưu trữ vài nghìn trang thì ta có thể sử dụng một hàm băm đơn giản hơn. Trong một số trường hợp các kho lưu trữ trang cũng có thể dùng để kiểm tra xem một URL đã được thu thập hay chưa trước khi chuyển đổi sang tên tập tin 32 ký tự. Trong những trường hợp này có thể bỏ đi cấu trúc dữ liệu lược sử. 1.2.3. Cách lấy trang Để lấy một trang web, chúng ta cần một máy khách HTTP (HTTP client) gửi một yêu cầu HTTP (HTTP request) cho trang đó và đọc các phản hồi [4]. Client cần có thời gian trễ để đảm bảo rằng không bị mất thời gian không cần thiết vào các máy chủ chậm hoặc đọc các trang lớn. Trong thực tế chúng ta thường hạn chế vấn đề này bằng cách cho client tải về khoảng 10-20 KB đầu tiên của trang. Client cần bóc tách được tiêu đề phản hồi cho các mã trạng thái và chuyển hướng. Kiểm tra lỗi và xử lý ngoài luồng là rất quan trọng trong quá trình lấy trang vì chúng ta phải đối phó với hàng triệu máy chủ. Trong quá trình lấy trang, trình thu thập không thể tự quyết định tài liệu nào được lập chỉ mục và tài liệu nào không, do đó nó lấy tất cả những gì có thể. Thậm chí dù xác định được tài liệu vô ích thì nó cũng đã bỏ ra một chi phí đáng kể cho hoạt động thu thập. Tiêu chuẩn loại trừ robot (Robot Exclusion Protocol, [13]) ra đời. 8 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 1.2.3.1. Tiêu chuẩn loại trừ robot Tiêu chuẩn này cung cấp cho người quản trị Web (Webmaster) một cơ chế xác định các tập tin mà không cần truy cập bằng trình thu thập. Để làm được điều này, trình thu thập (robot) duy trì một tập tin có tên là robot.txt [13] trong thư mục gốc của các máy chủ web (ví dụ như http://coltech.vnu.edu.vn/robot.txt) . Tệp tin này chứa hoàn toàn nội dung văn bản text (không phải HTML). Robot.txt cho phép Webmaster định ra các thành phần với quyền hạn riêng biệt cho từng robot. Nói cách khác thông qua tệp tin này, Webmaster sẽ giao tiếp với robot để điều khiển tác vụ của các robot này. Nó gồm 2 trường là trường User-agent và trường Disallow: - Trường User-agent: cho biết robot nào sẽ bị kiểm soát. Trường Disallow: cho biết robot có được phép kết nối vào URL hay không. Sau đây là các ví dụ minh họa việc sử dụng file robot.txt [13]: Cú pháp User-agent:* Disallow: Ghi chú cho Webmaster Dấu (*) có nghĩa là áp dụng cho mọi robot. Nhưng vì không có tài nguyên nào bị cấm nên tất cả mọi thư mục đều được cho phép. User-agent:* Tất cả mọi robot đều có quyền truy cập tất cả các Disallow: /cgi-bin/ thư mục trừ ba thư mục được trích dẫn phía sau. Disallow: /tmp/ Disallow: /private/ User-agent: SpamBot Disallow: / Trường hợp này robot SpamBot bị cấm truy cập tất cả thư mục. Dấu gạch chéo “/” có nghĩa là tất cả các thư mục. User-Agent có thể là ký tự đơn và các robot không phần biệt chữ hoa và chữ thường. User-agent: SpamBot Disallow:/ User-agent:* SpamBot bị cấm truy cập tất cả tài nguyên. Trong khi các robot khác được được truy cập tất cả trừ thư mục “private”. 9 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 Disallow: /private/ User-agent: SpamBot Disallow: /tmp/ Disallow: /private/ Disallow: /tailieu/canhan.html User-agent: * Disallow: /tmp/ Disallow: /private/ Không cho phép SpamBot dò các thư mục được liệt kê phía sau : thư mục “tmp”, “private” và tệp tin “canhan.html” trong thư mục “tailieu”. Các robot tìm kiếm khác được dò mọi thứ trừ hai thư mục “tmp” và “private”. Nhược điểm của file robot.txt : Người ta cho rằng việc liệt kê các trang hoặc các thư mục trong file robot.txt sẽ là nguyên nhân thu hút sự chú ý và trở thành mục tiêu cho các hacker. Thực ra chuẩn loại trừ robot chỉ là dấu hiệu cảnh báo, không phải là biện pháp cấm robot cho nên việc tuân theo hay không hoàn toàn là vấn đề tự nguyện. Tuy nhiên vẫn có cách khắc phục: Tạo một thư mục chứa tất cả các file quan trọng. - Trường Disallow chỉ liệt kê tên thư mục vừa tạo. Cấu hình server sao cho các trang không chứa đường dẫn đến thư mục này. Đáng buồn trên thực tế cách này không đạt được kết quả mong đợi do một trong các nguyên nhân sau : - Các server có robot không bị cấm có thể dẫn đường các robot bị cấm khác đến những file này. Các file quan trọng có thể nằm trong log file (file được tự do truy xuất). Khi cấu hình lại server, admin có thể ‘quên‘ các thư mục này phải cấm robot! 1.2.4. Bóc tách trang Khi một trang đã được lấy, chúng ta cần phân tích nội dung của nó để trích xuất thông tin, lấy ra các URL để mở ra hướng đi tiếp theo của các trình thu thập. Phân tích 10 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 nội dung có thể là quá trình khai thác hyperlink/URL đơn giản hoặc nó có thể bao gồm quá trình phức tạp hơn như lọc nội dung HTML để phân tích thành mô hình thẻ HTML dạng cây (HTML tag tree). Phân tích nội dung cũng có thể bao gồm các bước chuyển đổi URL được trích xuất thành dạng tiêu chuẩn, loại bỏ những từ ở phần đầu nội dung của trang và lấy các từ còn lại ở phần thân. 1.2.4.1. Tiêu chuẩn trích xuất URL Hàm bóc tách HTML có sẵn cho nhiều ngôn ngữ khác nhau. Chúng cung cấp các chức năng để dễ dàng xác định các tag HTML và cặp các giá trị thuộc tính liên quan trong một tài liệu HTML. Để trích xuất siêu liên kết URL từ một Trang Web, chúng ta có thể sử dụng các hàm bóc tách để tìm thẻ anchor (thẻ ) và lấy các giá trị các thuộc tính href liên quan. Trước tiên chúng ta phải chuyển đổi tất cả các đường dẫn URL sang đường dẫn URL tuyệt đối vì có nhiều đường dẫn URL viết không đúng quy chuẩn có thể cùng dẫn tới một trang. Điều này là quan trọng để tránh lấy một trang nhiều lần. Đây là một số bước điển hình được sử dụng trong thủ tục chuẩn hóa URL: • Chuyển đổi giao thức và tên máy chủ thành dạng chữ thường. Ví dụ, HTTP://www.COLTECH.vnu.edu.vn chuyển đổi thành http://www.coltech.vnu.edu.vn. • Loại bỏ phần ‘tham khảo’ trong URL. Ví dụ, http://myspiders.biz.uiowa.edu/faq.html#what chuyển đổi thành http://myspiders.biz.uiowa.edu/faq.html. • Thực hiện mã hóa URL cho một vài những ký tự thường sử dụng như ’~’ Điều này sẽ tránh được việc thu thập lại 1 trang. Ví dụ, http://dollar.biz.uiowa.edu/~pant/ và http://dollar.biz.uiowa.edu/ %7Epant/ là 2 URL cùng dẫn đến một trang. • Đối với một vài URL, thêm ký tự ‘/’. Ví dụ, http://dollar.biz.uiowa.edu và http://dollar.biz.uiowa.edu/ cùng nối tới một dạng chuẩn. Quyết định thêm ‘/’ sẽ cần heuristic trong nhiều trường hợp. • Sử dụng các heuristic để nhận ra các trang web mặc định. Những tên file như index.html hoặc index.htm có thể được loại bỏ trong đường dẫn URL với thừa nhận rằng đó là những trang mặc định. • Loại bỏ ’..’ và đường dẫn trước nó trong phần URL. Ví dụ, đường dẫn /%7Epant/BizIntel/Seeds/../ODPSeeds.dat được chuyển thành 11 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 /%7Epant/BizIntel/ODPSeeds.dat. Điều quan trọng là đảm bảo tính nhất quán trong khi áp dụng các luật chuẩn hóa. Có thể hai luật khác nhau lại cho kết quả tốt như nhau miễn là ta áp dụng các luật chuẩn hóa URL một cách nhất quán. Trước đây có một vấn đề hóc búa đặt ra cho các trình thu thập là bẫy nhện. Kỹ thuật phổ biến của bẫy nhện là tạo ra các cấu trúc đường dẫn sau vô hạn.Ví dụ, http://foo.com/bar/foo/bar/foo/bar/foo/bar..... Các URL giả tạo ra bởi bẫy nhện tăng lên cực nhanh. Có một cách để ngăn chặn là giới hạn kích thước URL cỡ 128 hoặc 256 ký tự. 1.2.4.2. Mô hình thẻ HTML dạng cây Các trình thu thập có thể lấy ra giá trị của các URL hoặc một nội dung bất kỳ trong một trang web bằng cách kiểm tra phạm vi thẻ tag HTML chứa chúng. Để làm được điều này, trình thu thập có thể sử dụng mô hình thẻ HTML dạng cây và phân tích cấu trúc DOM (Document Oject Model, [8]) của mô hình này. Phân tích cấu trúc DOM giúp trình thu thập có thể duyệt các node trên cây này và chỉ lấy ra phần nội dung mà nó cần. Hình 2 cho ta thấy một mô hình cây tương ứng với một mã nguồn URL [1] Hình 2: Mô hình cây tương ứng với một mã nguồn HTML 12 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 Có thể thấy thẻ là gốc của cây, các thẻ bên trong nó là các node mở rộng, và dữ liệu text là lá của cây. Trên thực tế, không phải văn bản HTML nào cũng được viết đúng quy chuẩn như ví dụ trên. HTML là ngôn ngữ không phân biệt chữ hoa hay chữ thường (hai thẻ và đều là một). Các phần tử HTML cần có một thẻ mở và một thẻ đóng, tuy nhiên điều này không luôn luôn đúng, có nhiều phần tử không cần thẻ đóng, ví dụ các thẻ
,
  • . Ngoài ra khi lồng nhau, các phần tử HTML cũng không cần thiết phải lồng nhau theo đúng thứ tự (tức là thẻ nào mở trước thì phải đóng sau). Ví dụ sau là hợp lệ trong HTML:

    Cộng hòa xã hội chủ nghĩa Việt Nam
    Độc lập tự do hạnh phúc

    Vì vậy trước khi lập mô hình cây cho một mã nguồn HTML chúng ta cần một quá trình chuyển đổi các tài liệu HTML tồi thành các tài liệu HTML tiêu chuẩn, quá trình này gọi là chuẩn hóa các trang HTML. Quá trình này bao gồm việc chuyển đổi các thẻ sang dạng chữ thường, chèn thêm các thẻ bị và sắp xếp lại thứ tự các thẻ trong tài liệu HTML [10]. Chuẩn hóa trang HTML là rất cần thiết để việc lập mô hình cây được chính xác. Nếu như trình thu thập chỉ cần lấy các liên kết hoặc văn bản hoặc một phần văn bản thì có thể ta không cần sử dụng tới mô hình cây mà chỉ cần sử dụng kỹ thuật bóc tách HTML đơn giản. Trình bóc tách như vậy cũng được hỗ trợ trong nhiều ngôn ngữ lập trinh. 1.2.5. Trình thu thập đa luồng Mỗi vòng thu thập tuần tự chiếm một lượng lớn thời gian, trong khi đó một trong hai cái là CPU hoặc mạng lại nhàn rỗi: CPU nhàn rỗi (trong khi truy cập mạng) hoặc mạng nhàn rỗi (trong các hoạt động của CPU). Việc xử lý đa luồng với mỗi luồng là một vòng thu thập, có thể giúp cho việc tăng tốc độ hợp lý và sử dụng hiệu quả băng thông sẵn có. Hình 3 chỉ ra một phiên bản đa luồng [1] của trình thu thập cơ bản trong hình 1: 13
  • - Xem thêm -