爬虫数据采集技术趋势－智能化解析

说明：文章是6月29日发表在公司的公众号上。

感觉写得还行。转载至这里存档。

------------------------------------------------------------------------------------------------------

用一句话概括爬虫工程师的工作内容，就是We Structure the World's Knowledge。

爬虫工作内容

互联网作为人类历史最大的知识仓库，是没有充分结构化的。目前互联网仅仅是一些文本等多媒体数据的聚合，内容虽然非常有价值，但是程序是无法使用那些没有结构化的数据。

在2006年左右，有专家提出的web3.0，语义互联网，知识共享。虽然现在开放API，SOA概念越来越普及，真正语义上的互联网的时代似乎还非常遥远。因此爬虫依然是最重要的手段，一端不断解析，聚合互联网上的数据，另外一端向各种各样的的应用输送数据。

现有爬虫开发技术存在问题

从招聘市场岗位需求可以看出，近年来对爬虫工程师需求越来越强烈。

个人判断原因有两个：

信息聚合是互联网公司的基本需求。
数据时代到来，对数据更强烈的需求。

下面是我整理的部分靠爬虫聚合信息的创业公司，按照时间顺序排序：

搜索引擎聚合了网页：百度,google,
机票比价网站：去哪儿，聚合各大航空公司票价
团购平台：团800 聚合了团购网站信息。
比价网站聚合了各大电商平台的商品价格：美丽说，蘑菇街，一淘
记账理财产品聚合和消费者，信用卡，银行卡信息：挖财和铜板街。
新闻聚合平台：今日头条
p2p平台聚合各大p2p借贷公司的信息：网贷之家，融360
风控公司需要收集企业公司，财务司法等信息：鹏元
征信数据会收集了贷款者司法，社交，财务，大量和征信相关信息：聚信立，量化派，zestfinace

最后5种类型，几乎2014年都是开始。很多金融场景相关应用开始出现，这就对准确度和可靠性提出了更高的要求。但现有的爬虫开发技术能否满足高可靠，大规模，高效率开发需求呢？

从软件工程角度来看，一件事情如果无法评估，那就无法管理。爬虫开发经常是被吐槽的原因之一，就是工作量常常无法评估。一般的软件项目的开发过程随着时间推进，工作量会逐渐减少，也是大家经常说的燃尽效果。

而爬虫开发生命周期如下图：

爬虫开发主要有两个方面内容：下载网页，解析网页。解析网页大概占据开发工作的80%左右。

下载网页功能的开发工作，会涉及IP限制，验证码等问题，这样问题都是可以预期的。同时，随着现在优秀的爬虫框架和云服务器的普及，问题解决起来会更轻松。

编写解析代码，虽然有一些基本工具chrome，firecdebug可以使用，但始终需要人工分析，编写解析规则。无论是使用xpath，正则表达式，css selector，都不能减少这一部分的工作量。

大量重复性工作会导致以下两个问题：

即使同类型的网页看起来99%是一样，也需要编写独立的爬虫。这就会给人这样一种感觉——爬虫开发大部分的工作内容是重复的。
数据源网页改版，几乎整个爬虫项目需要重做。重做的工作量几乎是100%，爬虫工程师心中往往是一万只羊驼跑过。现在很多征信数据采集公司的合作伙伴，当数据源网站改版，常常需要一至两天才能修复爬虫，很明显这种可靠性是无法满足金融场景需要。

智能化解析

这是一张新浪新闻的图片。

可以发现，视觉上很容易了解到，新闻所报道的事件的标题，发表时间和正文。自然也会想到，能否通过一些机器学习的算法达到自动解析的目的？这样就不用人工编写解析额，减少重复劳动。在2008年开始，就要研究机构发表了相关论文。

www.cs.cmu.edu/~deepay/mywww/papers/www08-segments.pdf

research.microsoft.com/en-us/um/people/znie/p048.special.nie.pdf

也就是在2008有一家相关的创业公司，在斯坦福大学孵化。

DiffBot智能化数据采集公司

总部位于加州的Diffbot成立于2008年，创始人Mike Tung，是斯坦福毕业研究生。Diffbot是通过人工智能技术，让“机器”识别网页内容，抓取关键内容，并输出软件可以直接识别的结构化数据。其创始人兼首席执行官Mike Tung表示，“Diffbot现在做的，相当于人类在浏览网页文章时所做的事情，找出页面中最核心的相关信息。”目前Diffbot已经发布了头版API和文章API，还有产品API。服务的客户包括三星、eBay、思科、美国在线等。

Diffbot的理念就是通过“视觉机器人”来扫描和识别不同的网页类型（主要是非结构化的数据），再将这些丰富的数据源用于其他应用。Mike Tung表示：“我们在获取页面之后会对其进行分析，然后通过成熟先进的技术进行结构化处理。”之前我提到的we structure the world's knowledge，就是该公司提出的理念。

Diffbot在基于智能采集的基础上，又开发出很多数据产品，比如知识图谱，智能商业BI。在2016腾讯与硅谷风投机构Felicis Ventures领投了人工智能创业公司Diffbot 1000万美元的A轮融资，很多互联网巨头开始发现这家公司的价值。

算法实践

通过智能方式来解析网页需要两个步骤：

基于视觉上的网页分割，将网页分割几个视觉块。
通过机器学习训练的方式来判断各个视觉块的类型，是标题，还是正文。其中主要流程和一般机器需要流程没什么区别。这就不详细解释。使用到使用的开源框架有：scikit-learn,phantomjs

Scikit-Learn机器学习库已经非常成熟，很容易上手。

phantomjs，是一个headless webkit渲染引擎。做爬虫开发的同学应该非常需要。

网页分割算法

从Diffbot早期发布的文章来看，是通过图像处理的方式来切割视觉块。使用到的算法有，边界检查，文字识别等算法。但这种方式计算量偏大，复杂度很高。

另外一种实现方式是基于Dom树结构，导出所需的视觉特征。

聚合时候需用的特征变量。主要考虑视觉相关的因素有元素在页面上的位置，宽度和高度，Dom的层次。

有一点需要注意的是，现在网页很多是动态生成。需要借助phantomjs工具来进行动态网页渲染。

聚类算法可以选用的DBSCAN，DBSCAN算法优点是更加密度来划分，比起K-mean算法的优点，是处理任意形状的聚合。

具体的实现方式可以参考下面博文：http://blog.mapado.com/web-page-segmentation-by-visual-clustering/
分类算法

在第一步处理后，网页上的标签，会被划分分若干类，需要判断标签的类型，是否是标题，正文，广告，导航之类。需要整理出类似下面的，训练矩阵。