随想:迅速取得海量数据之结构化数据

　　呵呵,要想瞬间取得需要的数据,比如新闻信息,而且能够分门别类进行分析,我想是一件非常有意义的事情.而数据的来源只能来自于互联网,只有这样才有数据挖掘的研究基础.

　　而互联网上的数据一般为不规则的数据,但也有规则的数据;从目前我看到过的搜索引擎当中,基于内容的搜索引擎一般都采取定向收集的方式,然后分析后放入到数据库当中,其中不凡有数据清洗的工作.

　　规则的数据一般是以RSS为主的数据源,而不规则的数据采取定向收集的话,第一步就是抓取,然后通过模板,使用HtmlParse来进行分析,加入去重和数据清洗的功能,最后写入到数据库.当然,数据清洗也可能放到数据库后再做.

      这里,我就跟大家分享一下,抓取规则数据的一个过程,略加一些聚类的小菜.

　　入口:一般通过搜索引擎或者指点网页进入.如下是操作步骤:

　　1,打开http://g.cn,然后输入"新闻rss"进行查询,把你的搜索设置为每页为100条,这样是为了更容易的找到更多的结果,取得URL栏的地址:

http://www.google.com.hk/search?hl=zh-CN&newwindow=1&safe=strict&q=%E6%96%B0%E9%97%BBrss&revid=344741873&sa=X&ei=Ht3ITYqQF5GOvQO03NnjBQ&ved=0CJABENUCKAg

 

　　2,使用Crawler4j来抓取数据,哥使用100个线程来''霸占''网络, ,代码如下:

 @Test
 public void crawByRss() throws Exception{
  CrawlController controller = new CrawlController("/data/crawl/root");
  controller.addSeed("http://www.google.com.hk/search?hl=zh-CN&newwindow=1&safe=strict&q=%E6%96%B0%E9%97%BBrss&revid=344741873&sa=X&ei=Ht3ITYqQF5GOvQO03NnjBQ&ved=0CJABENUCKAg");  
        controller.start(MyCrawler.class, 100);  
 }

 

 　 3,在抓取的每一个网页时,使用正则表达式分析其中的xml的链接.如下:

public class MyCrawler extends WebCrawler {
    public boolean shouldVisit(WebURL url) {
            return true;
    }
    public void visit(Page page) {
            String url = page.getWebURL().getURL(); 
      FileWriter fw1 = null;
   try {
    fw1 = new FileWriter("c:/today-rss"+"-20110509"+".txt", true);
    BufferedWriter bw1 = new BufferedWriter(fw1);
    bw1.write(printXml(page.getHTML()));
             bw1.close();
   } catch (IOException e) {    
    e.printStackTrace();
   }
      try {
    fw1.close();
   } catch (IOException e) {    
    e.printStackTrace();
   }
            List<WebURL> links = page.getURLs();  

    }
    private String printXml(String htmlStr){
     String returnStr = "";
     String urlsRegex="http://.*?\\.xml";
        String urls;
        Matcher mt2=Pattern.compile(urlsRegex).matcher(htmlStr);
        while(mt2.find())
        {
            urls=mt2.group().replaceAll("<a href=|>","");
            returnStr += urls+"\r\n";
        }
        return returnStr;
    }
}

 

 　　通过上面的我们知道,分析的结果放在c:/today-rss-20110509.txt,这里的结果并没有去重和处理,有很多不符合条件的记录,比如:

http://www.google.com/ig/addtoreader?feedurl=http://blog.sina.com.cn/rss/1134880297.xml

http://img.feedsky.com/images/icon_subshot02_google.gif" /</A<BR /</P<P&nbsp;<wbr<A HREF="http://reader.youdao.com/b.do?keyfrom=feedsky&amp;url=http://blog.sina.com.cn/rss/1286956544.xml

http://search.travel.sina.com.cn/api/wordmap.swf?xml=http://search.travel.sina.com.cn/api/flash_world.xml

 
 　4,整理这些数据,并把分析的结果放在新的文本文件当中,以便来抓取.去重的基本思路使用HashSet,速度很快.

@Test
 public void checkInRssToday() throws IOException {
  String filePath = basepath + "today-rss-20110509.txt";
  String orgFilePath = "c:/today-rss" + "-20110509" + ".txt";
  FileReader fr = new FileReader(orgFilePath);
  HashSet hashSet = new HashSet();
  BufferedReader br = new BufferedReader(fr);
  String rssUrl = br.readLine();
  int kk =0;
  while (rssUrl != null) {
   kk++;
   System.out.println("正在处理第"+kk+"行");
   if (rssUrl.indexOf("?") != -1
     || rssUrl.indexOf("\"") != -1 || rssUrl.indexOf("\'") != -1){
    rssUrl = br.readLine();// 从文件中继续读取一行数据
    continue;
   }
   try {
    hashSet.add(rssUrl);
   } catch (Exception e) {
    rssUrl = br.readLine();// 从文件中继续读取一行数据
   }
   rssUrl = br.readLine();// 从文件中继续读取一行数据
  }
  Iterator ir = hashSet.iterator();
  FileWriter fw1 = new FileWriter(filePath, true);
  BufferedWriter bw1 = new BufferedWriter(fw1);
  while (ir.hasNext()) {
   bw1.write(ir.next().toString().trim() + "\r\n ");
  }
  bw1.close();
  fw1.close();
 }

 

  　　通过以上4步,我们在大约10分钟的时间里,可以取得831条有效结果,当然了,如果你的网速比我的快,你的机器比我好,哪应该超过这个数.

　5,通过Rome来分析RSS的Title,然后模糊匹配分类,致于分类,大家可以通过新浪和搜狐的分类,然后来进行模糊匹配.

　6.通过Rome来分析RSS,然后放在MongoDB,呵呵,海量的数据,我只信任MongoDB,超级鄙视Sql Server,

@Test
 public void getDataFromRss() throws IOException {
  String filePath = basepath + "today-rss" + "-20110509" + ".txt";  
  FileReader fr = new FileReader(filePath);  
  BufferedReader  br=new BufferedReader(fr);
  String rssUrl=br.readLine();
  SyndFeedInput input = new SyndFeedInput(); 
  
  while (rssUrl != null) {
   System.out.println("正在分析网站：" + rssUrl);
   try {
    SyndFeed feed = input.build(new XmlReader(new URL(rssUrl)));
    String descFeed = feed.getTitle();
    List<SyndEntry> syndEntrys = feed.getEntries();
    saveInDb(syndEntrys);
   } catch (Exception e) {
    rssUrl = br.readLine();// 从文件中继续读取一行数据
   }
   rssUrl = br.readLine();// 从文件中继续读取一行数据
  }
  br.close();//关闭BufferedReader对象
  fr.close();//关闭文件 
 }

 

   如上是基本的随想,在实际的开放当中,我想要涉及到的知识有:

灵活的调度基础
N多的线程池,N多的抓取服务,
增量抓取的技巧,
自动分类功能
数据挖掘之趋势分析,热点分析..........
　做为一个懒人,我把刚刚拿到的数据,分析了最新的文本聚类,小Show一下,呵呵.

中美三轮(17)
 标题为: 第三轮中美战略与经济对话今开启 主谈四大议题,ID为4dc8168a7ff6c7a8012be13e
 标题为: 第三轮中美战略与经济对话今开幕 汇率仍唱重头戏,ID为4dc8168a7ff6c7a8012be137
 标题为: 中美对话今日开幕 扩大投资成焦点话题,ID为4dc8168a7ff6c7a8012be13d
 标题为: 第三轮中美战略与经济对话在华盛顿开幕,ID为4dc8168a7ff6c7a8012be0c9
 标题为: 第三轮中美战略与经济对话在华盛顿开幕,ID为4dc8168a7ff6c7a8012be0ce
 标题为: 第三轮中美战略与经济对话在华盛顿开幕,ID为4dc8168a7ff6c7a8012be0d1
 标题为: 第三轮中美战略与经济对话开幕 汇率唱重头戏,ID为4dc816a87ff6c7a8012be917
 标题为: 旺报 中美建构共同领导伙伴 此其时矣,ID为4dc819cf7ff6c7a8012c6338
 标题为: BBC 第三轮中美战略经济对话即将展开,ID为4dc819cf7ff6c7a8012c633b
 标题为: 中美将讨论促贸易投资合作 互利关系将深化,ID为4dc818d57ff6c7a8012c3748
 标题为: 中美双方在汇率问题上已达成共识,ID为4dc818d57ff6c7a8012c3751
 标题为: 瑞银高管：中美协商为全球治理提供好范式,ID为4dc818d57ff6c7a8012c375d
 标题为: 中美直接投资成两国利益博弈的焦点,ID为4dc819d57ff6c7a8012c64a1
 标题为: 高考第三轮复习你需要做什么？,ID为4dc81b7f7ff6c7a8012c9da2
 标题为: 高考三轮复习三大环节保证提高生物分数(图),ID为4dc81b7f7ff6c7a8012c9db4
 标题为: 旺报 中美建构共同领导伙伴 此其时矣,ID为4dc81b977ff6c7a8012c9ddb
 标题为: BBC 第三轮中美战略经济对话即将展开,ID为4dc81b977ff6c7a8012c9dde
 -------------------------------------------------------------------------------
母亲节(16)
 标题为: 曾荫权网贺母亲节 忆儿时为母买鸭腿,ID为4dc819d57ff6c7a8012c637b
 标题为: 给母亲,ID为4dc817027ff6c7a8012bf453
 标题为: 母亲节温哥华订花减少 酒楼订位少3成,ID为4dc8179d7ff6c7a8012c0c8e
 标题为: 中领馆庆母亲节慈恩洋溢,ID为4dc817ef7ff6c7a8012c1e19
 标题为: 初一女生疑父亲有外遇在母亲节上吊自杀,ID为4dc818be7ff6c7a8012c3237
 标题为: 普通人孝敬母亲的不同方式（组图）,ID为4dc818c97ff6c7a8012c33ee
 标题为: 百名香港义工母亲节出发赴四川参与灾后重建,ID为4dc818d67ff6c7a8012c377f
 标题为: 母亲节香港零售业卖气旺 商场生意增逾两成,ID为4dc818d67ff6c7a8012c3781
 标题为: 母亲节 子女讲心又讲金,ID为4dc819d57ff6c7a8012c63d7
 标题为: 以母亲节的名义加收10%服务费,ID为4dc819d57ff6c7a8012c63fa
 标题为: 高墙内 向母亲下跪献花,ID为4dc819d57ff6c7a8012c6432
 标题为: “感谢母亲把我从深渊边拉回”,ID为4dc819d57ff6c7a8012c6437
 标题为: 母亲节 商家大打“亲情牌”,ID为4dc819d57ff6c7a8012c6439
 标题为: 母亲的别样人生,ID为4dc819d57ff6c7a8012c6449
 标题为: 母亲节，忧郁母亲坠楼身亡,ID为4dc819d57ff6c7a8012c64d3
 标题为: 患癌母亲在母亲节病逝捐眼角膜 称要看女儿长大,ID为4dc81b767ff6c7a8012c9be2
 -------------------------------------------------------------------------------
预期,一致(13)
 标题为: 一致预期：4月新增人民币贷款额6788.9亿元,ID为4dc8168a7ff6c7a8012be10b
 标题为: 一致预期：4月PPI同比增速7.1%,ID为4dc8168a7ff6c7a8012be10e
 标题为: 房产税百日冷场 全面推广预期加重,ID为4dc8168a7ff6c7a8012be158
 标题为: 一致预期：4月份社会消费品零售总额同比增长17.4%,ID为4dc8168a7ff6c7a8012be0ed
 标题为: 一致预期：4月份规模以上工业增加值同比增长14.6%,ID为4dc8168a7ff6c7a8012be0ef
 标题为: 一致预期：4月贸易顺差28.9亿美元,ID为4dc8168a7ff6c7a8012be0f3
 标题为: 一致预期：4月出口同比增速为28.8%,ID为4dc8168a7ff6c7a8012be0f4
 标题为: 一致预期：4月进口同比增速为28.6%,ID为4dc8168a7ff6c7a8012be0fa
 标题为: 一致预期：4月末M2同比增长16.6%,ID为4dc8168a7ff6c7a8012be104
 标题为: 一致预期：4月CPI同比增速5.2%,ID为4dc8168a7ff6c7a8012be110
 标题为: 一致预期：4月新增人民币贷款额6788.9亿元,ID为4dc8168a7ff6c7a8012be0ee
 标题为: 一致预期：1-4月累计城镇固定资产投资同比增速24.7%,ID为4dc8168a7ff6c7a8012be0f0
 标题为: 一致预期：4月末M1同比增长15%,ID为4dc8168a7ff6c7a8012be109
 -------------------------------------------------------------------------------
网络安全,海事(13)
 标题为: 打好WEB服务器安全攻坚战,ID为4dc816817ff6c7a8012bdfbc
 标题为: 希捷推网络存储路由器 可搭建家庭云,ID为4dc816ab7ff6c7a8012be95d
 标题为: 打好WEB服务器安全攻坚战,ID为4dc816ab7ff6c7a8012be96b
 标题为: 美媒 网络安全与海事分歧成美中对话焦点,ID为4dc819cf7ff6c7a8012c6339
 标题为: 中美军方要谈网络安全和海事,ID为4dc817eb7ff6c7a8012c1c9b
 标题为: [转载]做一个受人尊敬的网络直销人,ID为4dc817f17ff6c7a8012c1e34
 标题为: 核电安全议题将纳入两岸第七次陈江会协商,ID为4dc819df7ff6c7a8012c67e4
 标题为: 希捷推网络存储路由器 可搭建家庭云,ID为4dc81b367ff6c7a8012c90ba
 标题为: 安全浏览器 SRWare Iron,ID为4dc81b737ff6c7a8012c9b1b
 标题为: 美媒 网络安全与海事分歧成美中对话焦点,ID为4dc81b977ff6c7a8012c9ddc
 标题为: 解读：夫妻网络巧调情更给力,ID为4dc81b9c7ff6c7a8012ca057
 -------------------------------------------------------------------------------
苹果,收购(13)
 标题为: 北京苹果店外国人棒打排队者续：赔偿两万,ID为4dc816877ff6c7a8012be0b8
 标题为: 苹果欲收购Nuance 开发语音识别引擎,ID为4dc816ab7ff6c7a8012be960
 标题为: 北京苹果店外国人棒打排队者续：赔偿两万,ID为4dc817aa7ff6c7a8012c0e0a
 标题为: 苹果程序店造就中国新企业家,ID为4dc817ef7ff6c7a8012c1e18
 标题为: Nvidia以3.6亿美元收购手机芯片商Icera,ID为4dc819107ff6c7a8012c3c33
 标题为: eBay即将提前完成对GSI收购,ID为4dc819107ff6c7a8012c3c36
 标题为: 苹果店与被打者达成调解 负责人动粗赔两万,ID为4dc819647ff6c7a8012c5189
 标题为: 英伟达公司收购基带和射频技术厂商Icera,ID为4dc819837ff6c7a8012c5a0d
 标题为: Pcworld总结苹果iTunes十弊端:更新烦运行慢,ID为4dc819837ff6c7a8012c5a14
 标题为: 苹果品牌价值1530亿，夺走谷歌的第一名位置,ID为4dc819837ff6c7a8012c5a19
 标题为: 英特尔与ARM：谁能赢得苹果“芯”？,ID为4dc819837ff6c7a8012c5a2c
 标题为: i7四核6750独显 苹果MBP新平台本13700,ID为4dc81ab97ff6c7a8012c7e13
 标题为: 苹果欲收购Nuance 开发语音识别引擎,ID为4dc81b367ff6c7a8012c90bb

 

   哈哈,发现这样的价值很无穷,比如随时生成垃圾网站,哈哈,我想最好的是做google的新闻模块,当然了,有眼光的哥们也可以这样做相同的模块,做专题出来,肯定能胜过Google新闻!

 

 

评论

5 楼 funing 2011-12-03  

请问能给个完整的项目文件么？谢了[e-mail]

4 楼 heweiya 2011-05-12  

zhzhl202 写道

“我们在大约10分钟的时间里,可以取得831条有效结果”
这个速度是不是有点慢了，是因为用HashSet去重的原因还是因为网速慢？

怎么说呢，这个跟网络环境，硬件配置有关，我说的是831条有效的结果，也就是去重后的最终结果。呵呵。。。

3 楼 zhzhl202 2011-05-12  

用HashSet发现果然很快，可是不知道用HashSet的话，把这些url全部放在内容中，最多能支持多少数据才不会发生溢出呢

2 楼 zhzhl202 2011-05-12  

“我们在大约10分钟的时间里,可以取得831条有效结果”
这个速度是不是有点慢了，是因为用HashSet去重的原因还是因为网速慢？

1 楼 zhzhl202 2011-05-12  

不错，前些日子我也也借助也百度、google搜索抓取数据，用的是htmlparser来解析搜索引擎的结果页，从而得到链接的。

其中url过滤用的是正则表达式，当初去重也一直没想到快的很快的方法，看它你的去重方法有点灵感了，ths