鉴于京东淘宝的前端设计禁止爬虫的抓取,准备制作一个非常缩水的系统来应付毕业,老天保佑后添加的中文分词器不捅娄子。
先简要列出系统操作流程,再详细分析每一步实现所需进行的工作。
我们的目的是找到电子商务网站上某商品的用户评价中,与我们输入的检测文档相似性最高的那条评价信息,以此来识别出某类用户。(我们假设刷评价的用户使用的评价语言都差不多,那我们输入一段标准刷评价评论,系统就能够找到目前商品中与该评论的说话方式类似的一条评价,以此来识别出”骗子“)所以系统需要两类信息,一个是系统外输入进去的”检测文档“,另一个是电商网站上的”评论信息“。问题的关键是获取某商品的所有”评论信息“。
困难出现了。按照老师的设想,用户只需要提交想要分析的网站顶级url即可,比如www.jd.com而无需自己寻找到某个特定商品的url,以此来分析京东所有的商品。但是京东的网站采用的是AJAX?(ajax能够完全避开nutch爬虫的抓取,每一页商品的评价信息都是在用户点击页码按钮之后,服务器推送过来,但是进入新页面之后浏览器中该页面的url不变。所有的评论都是#comments形式存在,这样nutch是无法抓取到页面信息,也就无法进行后续查询。)无奈只好利用京东网站上url的规律来依次生成每一页商品评价的url,以此获取信息。也就是说,最终的毕设只分析一个商品,而不是京东网站上所有的商品。
为了得到某个商品的评论,首先要确定的是我们要分析哪个商品
用户提交要抓取的商品评价URL,例如某一个乐扣保鲜盒:http://club.jd.com/review/560573-0-1-0.html
好,现在该商品的所有评论信息我们都能定位了,我们下一步需要将网页html语言写就的商品评论信息从标签和其他干扰信息中解放出来,获取纯粹的商品评论。比较好的解决方法便是将这些信息导入数据库中。
分析一下,我们需要如下几个数据库:
商品,Product(product_id,product_name,product_url)
用户,User(user_id,user_name,user_role,user_url) user_role是会员级别,级别文字有该链接 http://help.360buy.com/help/question-57.html
用户评论,Discussion(discuss_id,discuss_content,discuss_url,product_id,user_id,purchase_date)由商品id和用户id共同确定一个discussion,这里有评价的具体内容
得到discuss_content之后,使用MoreLikeThis算法找到与测试文档相似的discuss_content(及其对应的用户)
下面我们要做的是,如何得到这三个关键的数据库信息。
对于Product,product_id是最容易获取的信息,在该链接中http://club.jd.com/review/560573-0-1-0.html 560573即为这个保鲜盒的product_id。原理如老师的代码中Environment.parseProjName()方法
//从Url中获得该网页所属项目
public static String parseProjName(String url){
int inameStart = url.indexOf("//");
int inameMid = url.indexOf(".", inameStart+2);
int inameEnd = url.indexOf(".", inameMid+1);
if ((inameStart < inameMid)&&(inameMid<inameEnd)){
if (url.substring(inameMid+1,inameEnd).equalsIgnoreCase("codeplex")){
//如果该url的第二个单词是codeplex,说明该网页来自codeplex,此时第一个单词为项目名
return url.substring(inameStart+2, inameMid).trim().toLowerCase();
}
else
return null;
}
else
return null;
}
todotask-1
parseProd
ID(string url);
http://club.jd.com/review/560573-0-1-0.html中截取"review/"与”-0“之前的”560573“,即为product_id。(product_name似乎意义不大,暂时搁置)
product_url也需要进行拼凑产生,例如:http://item.jd.com/560573.html有了product_id之后,该url比较容易产生。(是否进一步获取该商品名?比如”乐扣乐扣礼盒装2件套LLG214S001“)
对于User数据库各信息的获取,参考以下代码。
按照老师代码的思想,我们的处理流程是这样的:输入项目名称(product_id),用标准分析器分析一下“url”文件找到评价页面(代码中为讨论页面hits),在这个页面中找到“金牌会员”等role的位置,利用外链todotask-2 找到user的信息
对该链接进行分析http://club.jd.com/userreview/27276113-1-1.html,27276113即为user_id,该url即为user_url。而user_name,user_role问题与Product中商品名问题一样待确认。而user_url是抓取到的页面代码中有的url,可以获取到。
public static boolean ParaseProjUser(String proj_name,int proj_id) {
try {
QueryParser queryParser = new QueryParser("url", new StandardAnalyzer());
Query query = queryParser.parse(proj_name+" AND team AND view"); //此处的team和view应该换为“club review?!”(京东全部商品评价的第37页url: http://club.jd.com/review/560573-0-37-0.html)
Hits hits = searcher.search(query);
if (hits.length()>0) {
Document doc = hits.doc(0);
HitDetails detail = new HitDetails(doc.getField("segment").stringValue(),doc.getField("url").stringValue());
String pagecontent = segments.getParseText(detail).getText();//得到内容
int iCoordinators = pagecontent.indexOf("Coordinators");//这些东西对应到我们系统里都是商品的买家卖家,无特别意义
int iDevelopers = pagecontent.indexOf("Developers");
int iEditors = pagecontent.indexOf("Editors");
int iFollower = pagecontent.indexOf("Follower");
Outlink[] outlink=segments.getParseData(detail).getOutlinks();//是否要识别出“金牌银牌会员”等待定,似乎有一定困难
for(int j=0; j<outlink.length;j++){
//System.out.println(outlink[j].getToUrl()+":"+outlink[j].getAnchor());
String usrname = outlink[j].getAnchor();
if (outlink[j].getToUrl().indexOf("site/users/view")>0){
Fields fd = new Fields();
fd.add("user_name", usrname);
fd.add("user_url", outlink[j].getToUrl());
User usr = new User(fd);
Fields fd1 = new Fields();
fd1.add("user_id", usr.getUserID());
fd1.add("proj_id", proj_id);
int iusrname = pagecontent.indexOf(usrname);
if ((iusrname>iCoordinators)&&(iusrname<iDevelopers))
fd1.add("part_role", "Coordinators");
else if (iusrname<iEditors)
fd1.add("part_role", "Developers");
else if (iusrname<iFollower)
fd1.add("part_role", "Editors");
else
fd1.add("part_role", "Followers");
Participant part = new Participant(fd1);
}
}//end for j
return true;
}//end if
else
return false;
}//end try
catch (Exception ex) {
ex.printStackTrace();
return false;
}//end catch
}//end ParaseProjuser
对于Discussion(discuss_id,discuss_content,discuss_url,product_id,user_id,purchase_date)问题较多。
discuss_id,尚未想好是否需要此字段
discuss_content,问题的关键,建立此数据库的主要目的为获取该信息。
discuss_url,例子比如:http://club.jd.com/repay/560573_fd4854bb-691f-4ac3-a1e8-1a0554201952_1.html 此链接中含有商品id,但url规律很难识别,此url无法通过拼凑方式产生。但是该url在页面呈现形式是日期,也就是锚文本。是否可以利用锚文本获得url?与user数据库的建立问题一直,即Outlink问题,需要研究。
product_id,该信息可以从product数据库中获取
user_id,同样可以获取到
purchase_date,为discuss的url中的锚文本,目前也存在这个问题,即页面上的信息是否能定点抓取到?
对于content,参考老师的代码 ParaseProjDisc(Document doc)啊该代码部分示例如下,原文较长属于nutchparsediscuss类
//下面的代码插入一个讨论序列
fd3 = new Fields();
fd3.add("disc_id", disc.getDiscID());
fd3.add("user_id", userid);
fd3.add("discpart_seq", discseq);
if(endIndex>beginIndex)
strcontent=pagecontent.substring(beginIndex, endIndex);
else
strcontent="";
if (strcontent.length()>9999)
strcontent = strcontent.substring(1, 9999);
//strcontent=strcontent.replaceAll("[\\\"\']", " ");
fd3.add("discpart_content", strcontent);
//System.out.println(pagecontent.substring(timebeginIndex, beginIndex));
latestdate=Enviroment.DiscussDate(new String(pagecontent.substring(timebeginIndex, beginIndex).getBytes(),"UTF-8"),latestdate);
fd3.add("discpart_date", latestdate);
DiscPart dscp = new DiscPart(fd3,true);
discseq++;
//上面的的代码插入一个讨论序列
获取完所有的数据库之后,对discuss进行索引(content部分),详见indexDiscussion
int totalrows = ExecuteStmt.Gettablerows("discpart");
System.out.println("开始生成Discussion的索引,开始于:"+Enviroment.GetSystemDateTime());
System.out.println(totalrows);
for (int i=0;i<=totalrows/1000;i++){
fds = ExecuteStmt.getResultset("Select * from discpart limit "+i*1000+","+(i+1)*1000+";");//sql limit 如果给定两个参数,第一个参数指定第一个返回记录行的偏移量,第二个参数指定返回记录行的最大数目。初 始记录行的偏移量是 0(而不是 1)
for(int j=0;j<1000;j++){
Document doc = new Document();
// Field Text(String name, String value, boolean storeTermVector)
doc.add(new Field("discpart_id",String.valueOf(fds[j].getValuebyName("discpart_id")),Field.Store.YES, Field.Index.NO));
doc.add(new Field("disc_id",String.valueOf(fds[j].getValuebyName("disc_id")),Field.Store.YES, Field.Index.NO));
doc.add(new Field("user_id",String.valueOf(fds[j].getValuebyName("user_id")),Field.Store.YES, Field.Index.NO));
doc.add(new Field("discpart_seq",String.valueOf(fds[j].getValuebyName("discpart_seq")),Field.Store.YES, Field.Index.NO));
doc.add(new Field("discpart_date",String.valueOf(fds[j].getValuebyName("discpart_date")),Field.Store.YES, Field.Index.NO));
doc.add(new Field("discpart_content",String.valueOf(fds[j].getValuebyName("discpart_content")),Field.Store.YES, Field.Index.ANALYZED,Field.TermVector.YES));
writer.addDocument(doc);
}//end for j
到此处,基本工作已经完毕,只剩下输入测试文档来寻找相似评价了。
问题多多唉