基于DBSCAN聚类算法的通用论坛正文提取

通用论坛正文爬取

这是今年和队友一起参加第五届泰迪杯的赛题论文，虽然最终只获得了一个三等奖。但是在这个过程中和队友也一起学到了不少东西，特此记录。

1、  简单介绍

赛题的目的，是让参赛者对于任意 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。

http://www.tipdm.org/jingsa/1030.jhtml?cName=ral_100#sHref赛题地址。

2、  前期准备

由于之前没有接触过爬虫，我和队友首先了解了目前主流的用于爬虫的语言和框架，最终选择了对初学者比较友好的python中bs4框架。之后便是学习了一些简单的Python用于爬虫的基本知识，正则表达式，url包等。

对于赛题，我们首先了解到爬虫分为静态网页、动态网页和web service，我们只对其中的静态网页进行了研究，对于动态网页的比较复杂，由于时间比较紧张，没有深入研究，对于一些网站的反扒，也没有深入了解。所以接下来主要说在如何设计一个通用的静态网页爬虫框架。（我想这也是我们失分的一部分吧）

思路：

         对于一个普通的网站，我们可能采用正则表达式来抓取我们想要的内容，但是做到通用性显然有点强人所难。首先我们从剖析整个网页结构也就是DOM树，然后对DOM进行分析，得到主贴节点和回帖节点的特征，对相似网页的特征进行聚类，其中聚类算法选择了DBSCAN（因为他可以自动分成几类，不需要人为设定）。然后形成一个统一的模板，这样就会减少了我们的工作量。

3、  整体流程

在官方给定的177个url的基础上，我们自行爬取了736个论坛的url。然后使用736个网页进行聚类，形成模板，使用177个url进行测试。

对爬取的736个url进行分析，得到以下结果。

可以看出，大多数论坛网站是由开源框架编写，discuz占多数。但是不同版本的开源框架，结构也会不同，因此不能使用同一个模板。

 

结构相似度计算：

   首先我们对网页结构进行解析，得到主贴节点和回帖节点的XPATH值

单个网页的XPTH特征可以表述为： 
然后采用dbscan聚类算法，其中两个网页距离的定义如下

 
其中 表示网页i中特征的个数， 表示网页j中特征的个数；overlap 表示两个网页相同的特征的个数，当两个网页相同特征个数越多时公式（2）的值越趋近于0。
注：在聚类之前，对每一个xpath进行的预处理，去处了如数字、符号等无关特征


内容相似度计算：
主要是对URL进行相似度计算。
     ，分析URL的后半部分。
整体网页相似度计算：
 

其中S1,S2是网页或簇中心， 是特征i的权重， 是特征i的相似度。通过DBSCAN聚类算法得到初始簇之后，并根据以后的测试数据来不断的更新特征库，从而能动态的更新权重，获得更好的聚类效果。


正文提取流程

通过URL和 XPath模板匹配，可以完成对论坛页面的识别和过滤，进而对论坛中正文信息进行识别和抽取。同时，我们可以看到当测试的不同网站越来越多时，XPath库和模板库将会越来越丰富，这是一个不断学习的过程。

不同参数聚类结果：

E=0，minPts = 4			E=0，minPts =8
簇类别	比重	网页类别	簇类别	比重	网页类别
1	0.667	discuz	1	0.705	discuz
8	0.089	非开源	5	0.092	phpwind
5	0.0278	phpwind	2	0.041	dvbbs
2	0.0222	dvbbs	6	0.023	非开源
10	0.0222	非开源	10	0.023	非开源
E=1，minPts = 4			E=1，minPts = 8
簇类别	比重	网页类别	簇类别	比重	网页类别
1	0.630	Discuz	1	0.628	Discuz
3	0.205	非开源	3	0.129	非开源
9	0.123	非开源	2	0.087	dvbbs
4	0.0871	phpwind	4	0.051	phpwind
2	0.051	dvbbs	9	0.021	非开源

不同参数得到的簇数量：

不同参数得到的簇数量：

参数	E=0，minPts = 4	E=0，minPts =8	E=1，minPts = 4	E=1，minPts = 8
簇个数	23	18	16	14
簇中论坛总数	173	173	194	194
离群点	23	23	10	10

 

测试结果：

论坛网站	测试帖子	成功抽取
guba.sina.com.cn	13	13
club.autohome.com.cn	11	11
club.qingdaonews.com	9	9
bbs.tianya.cn	8	8
bbs.360.cn	5	5
bbs1.people.com.cn	5	0
bbs.pcauto.com.cn	5	5
bbs.dospy.com	4	5
bbs.hsw.cn	4	4
itbbs.pconline.com.cn	4	4
www.dddzs.com	4	4
bbs.hupu.com	4	4
bbs.ent.qq.com	3	0
bbs.e23.cn	3	3
bbs.lady.163.com	1	0
www.099t.com	1	0

部分抽取结果：

总结：用的方法比较传统，只能做到大部分论坛抽取，但是随着数量的积累，效果越好。没有用的现在比较火的nlp（应该有同学会用到了），对结果没有进行过多的过滤。只对正文和发帖时间，主从贴进行细分，对发帖人没有得到有效的解决方法。需要学习的地方还很多。如有错误，欢迎指正。

DBSCAN代码：

#encoding:utf-8
'''
Created on 2017年4月12日
'''
from collections import defaultdict  
import re  
 
'''
function to calculate distance  use define formula，
(len(i)*len(j)+1)/(overlap*overlap+1)-1
parameter 
url1{url,xpath,feanum}
url2{url,xpath,feanum}
split /t maybe have counter with /table 
'''
def dist(url1, url2):  
    values1=url1.split('\t')
    values2=url2.split('\t')
    #得到xpath
    xpath_val1=values1[1][2:].split('/')
    xpath_val2=values2[1][2:].split('/')
    #得到两个xpath特征个数最小的一个
    size = len(xpath_val1) if len(xpath_val1) < len(xpath_val2) else len(xpath_val2)
    #得到overlap
    overlap=0    
    for i in range(size):
        x1=re.sub(r'\[+\]','',re.sub(r'((\d+))','',xpath_val1[i]))
        x2=re.sub(r'\[+\]','',re.sub(r'((\d+))','',xpath_val2[i]))
        if( x1==x2):
            overlap+=1
    return ((len(xpath_val1)*len(xpath_val2)+1)/(overlap**2+1)-1)
  
#将所有的样本装入 all_points中 

def init_sample(path):
    all_points=[]  
    lines = open(path)
    for i in lines:   
        a=[]
        a.append(i)
        all_points.append(a)  
    return all_points
all_points=init_sample('../../train_bbs_urls.txt')

'''
take radius = 8 and min.points = 8  
'''
E = 0  
minPts = 8 
     
#find out the core points  
other_points =[]  
core_points=[]  
plotted_points=[]  
for point in all_points:  
    point.append(0)  # assign initial level 0  
    total = 0
    for otherPoint in all_points:  
        distance = dist(otherPoint[0],point[0])  
        if distance<=E:  
            total+=1       
    if total > minPts:  
        core_points.append(point)  
        plotted_points.append(point)  
    else:  
        other_points.append(point)  

#find border points  
border_points=[]  
for core in core_points:  
    for other in other_points:  
        if dist(core[0],other[0])<=E:  
            border_points.append(other)  
            plotted_points.append(other)  
            other_points.remove(other)
        
#implement the algorithm  
cluster_label=0  
print len(core_points)     
a=0
for point in core_points:  
    if point[1]==0:  
        cluster_label +=1  
        point[1]=cluster_label         
    for point2 in plotted_points:  
        distance = dist(point2[0],point[0])  
        if point2[1] ==0 and distance<=E:  
#             print (point, point2 ) 
            point2[1] =point[1]  
         
for i in plotted_points:
    print i[0],'    ',i[1]
    output=i[0].replace('\n','')+'\t'+str(i[1]).strip()
    open('dbscan.txt','a+').write('\n'+output.encode('utf-8')) 
        
#after the points are asssigned correnponding labels, we group them  
cluster_list = {}
for point in plotted_points:  
    va=point[0].split('\t')
    start=va[0].find('//')
    stop=va[0].find('/',start+2)
    name=va[0][start+2:stop]    
    if name not in cluster_list:
        cluster_list[name] =point[1]
#     else:
#         core=cluster_list.get(point[1]).split('\t')
#         if name!=core[len(core)-1]:
#             cluster_list[point[1]] =cluster_list.get(point[1])+'\t'+name
other_list = {}
for point in other_points:  
    print 'aaaa'
    va=point[0].split('\t')
    start=va[0].find('//')
    stop=va[0].find('/',start+2)
    name=va[0][start+2:stop]    
    if name not in other_list:
        print name
        other_list[name] =point[1]
        
# for i in cluster_list.keys():
#     print 'i=',i
#     output=str(i)+'\t'+str(cluster_list.get(i))
#     print output
#     open('dbscantype.txt','a+').write('\n'+output.encode('utf-8')) 
# 
# for i in other_list.keys():
#     print 'i=',i
#     output=str(i)+'\t'+str(cluster_list.get(i))
#     print output
#     open('other_list.txt','a+').write('\n'+output.encode('utf-8'))