何麗媛

內(nèi)蒙古自治區(qū)廣播電視監(jiān)測與發(fā)展中心 內(nèi)蒙古 呼和浩特市 010050

引 言

內(nèi)蒙古互聯(lián)網(wǎng)視聽節(jié)目監(jiān)測系統(tǒng)可分為幾大塊，其中數(shù)據(jù)采集是監(jiān)測的第一步也是及其重要的一步。數(shù)據(jù)采集過程需要利用多臺(tái)搜索機(jī)構(gòu)成的機(jī)群共同運(yùn)行，并行合作，對(duì)內(nèi)蒙古自治區(qū)整個(gè)監(jiān)測范圍內(nèi)的所有音視頻節(jié)目網(wǎng)站進(jìn)行全網(wǎng)搜索，抓取信息。對(duì)于其中一些重點(diǎn)網(wǎng)站，要進(jìn)行增量抓取。在抓取的過程中，還需要將音視頻節(jié)目中的文本信息抓取出來，以供后續(xù)使用。整個(gè)數(shù)據(jù)采集過程如圖1所示。

圖1 數(shù)據(jù)采集系統(tǒng)結(jié)構(gòu)圖

1 采集控制與調(diào)度

采集子系統(tǒng)的作用是為搜索機(jī)機(jī)群中的每一個(gè)搜索機(jī)進(jìn)行任務(wù)調(diào)度，同時(shí)監(jiān)控每一個(gè)搜索機(jī)的工作狀態(tài)是否正常。

在數(shù)據(jù)采集的過程中，調(diào)度機(jī)的地址管理模塊會(huì)給各個(gè)搜索機(jī)發(fā)出指令，搜索機(jī)會(huì)根據(jù)這些指令選擇待抓取的視聽網(wǎng)站列表。然后根據(jù)調(diào)度機(jī)所發(fā)出的時(shí)間控制指令，決定搜索機(jī)當(dāng)前處在啟動(dòng)、運(yùn)行或是保存的狀態(tài)。搜索機(jī)處在運(yùn)行狀態(tài)時(shí)，會(huì)自動(dòng)下載網(wǎng)頁并對(duì)已下載網(wǎng)頁進(jìn)行解析，將網(wǎng)頁中的鏈接信息提取出來提交給IP范圍判斷模塊進(jìn)行判別。

如果鏈接信息符合搜索機(jī)當(dāng)前的處理任務(wù)，會(huì)在進(jìn)行鏈接地址排重后將該鏈接加入到下載隊(duì)列中。

下載完成的網(wǎng)頁還需經(jīng)過內(nèi)容排重模塊的過濾篩選之后才能最終保存到數(shù)據(jù)集合中去。當(dāng)搜索機(jī)處在保存狀態(tài)時(shí)，會(huì)在當(dāng)前網(wǎng)頁下載完畢后，保存其相關(guān)的狀態(tài)和日志信息，并自動(dòng)退出和結(jié)束工作。每個(gè)搜索機(jī)都設(shè)有狀態(tài)查詢模塊，當(dāng)狀態(tài)查詢模塊接收到來自調(diào)度機(jī)的查詢指令之后，會(huì)從下載等待隊(duì)列和自動(dòng)下載模塊中讀取當(dāng)前的狀態(tài)信息返回給調(diào)度機(jī)，并在用戶界面顯示相關(guān)信息。

2 節(jié)目地址提取

節(jié)目地址提取指從音視頻節(jié)目網(wǎng)頁中提取出音視頻節(jié)目真實(shí)地址。對(duì)于互聯(lián)網(wǎng)視聽網(wǎng)站中的靜態(tài)頁面和普通動(dòng)態(tài)網(wǎng)頁來說，其網(wǎng)頁中一般都含有Javascript的動(dòng)態(tài)頁面或應(yīng)用了Web2.0技術(shù)的頁面。針對(duì)此類網(wǎng)頁，系統(tǒng)會(huì)采用網(wǎng)頁解析和信息抽取技術(shù)，將頁面中的相關(guān)鏈接地址抽取出來。同時(shí)保存節(jié)目與保存在系統(tǒng)中的網(wǎng)頁快照的關(guān)聯(lián)關(guān)系。但是，部分網(wǎng)站會(huì)采用動(dòng)態(tài)網(wǎng)址等地址隱藏技術(shù)。針對(duì)此類網(wǎng)頁，系統(tǒng)則采用Script解析等技術(shù)，從包含視音頻節(jié)目的網(wǎng)頁中解析出視音頻節(jié)目的真實(shí)地址。這些抽取出來的節(jié)目地址信息包括：各種格式的音視頻文件的直接鏈接以及播放列表m3u文件中的鏈接還有流媒體視聽節(jié)目鏈接等等。

3 音視頻采集

音視頻采集是指對(duì)指定URL的音視頻節(jié)目數(shù)據(jù)進(jìn)行下載，添加到節(jié)目數(shù)據(jù)庫中，并能對(duì)已有保存內(nèi)容進(jìn)行保護(hù)，避免新錄制的同屬性內(nèi)容覆蓋原有內(nèi)容。

對(duì)于音視頻節(jié)目真實(shí)地址，系統(tǒng)會(huì)將音視頻數(shù)據(jù)下載下來；對(duì)于文件鏈接，系統(tǒng)會(huì)將相關(guān)文件下載并保存；對(duì)于流媒體鏈接，系統(tǒng)會(huì)采用流媒體分析和下載錄制技術(shù)保存節(jié)目。最后，這些不同途徑得到的各種類型的節(jié)目和節(jié)目信息會(huì)進(jìn)行信息重排，最終加入到信息庫，方便用戶的查詢。

對(duì)于這些下載的節(jié)目，系統(tǒng)會(huì)根據(jù)其真實(shí)地址的格式、傳輸協(xié)議、節(jié)目傳播方式給每個(gè)下載節(jié)目都分配一個(gè)唯一的標(biāo)志。系統(tǒng)會(huì)根據(jù)此標(biāo)志對(duì)已經(jīng)保存好的內(nèi)容進(jìn)行保護(hù)，避免新錄制的同屬性內(nèi)容覆蓋原有內(nèi)容。

4 網(wǎng)頁采集

4.1 網(wǎng)頁采集實(shí)現(xiàn)

網(wǎng)頁采集需要利用網(wǎng)頁抓取技術(shù)來實(shí)現(xiàn)，主要是通過Web頁面之間的鏈接關(guān)系，從Web上自動(dòng)地獲取頁面信息。這一過程主要是由Web網(wǎng)頁抓取器也稱網(wǎng)絡(luò)爬蟲來實(shí)現(xiàn)的。它從一個(gè)初始的URL集合出發(fā)，將集合中的URL全部放入到一個(gè)有序的待抓取隊(duì)列里。而抓取器從該隊(duì)列中按順序取出URL，通過相應(yīng)的協(xié)議，獲取URL所指向的頁面，并保存到本地。再從這些己獲取到的頁面中提取出新的URL，并將它們繼續(xù)放入到待抓取隊(duì)列里。待抓取隊(duì)列中的URL信息來源可以是新解析出的鏈接地址，也可以是預(yù)先定義好的網(wǎng)站域名列表。上述過程不斷重復(fù)，直到抓取器根據(jù)自己的策略終止抓取。

4.2 網(wǎng)頁采集系統(tǒng)

Web網(wǎng)頁采集系統(tǒng)主要由網(wǎng)頁抓取器、解析器、分派器、URL數(shù)據(jù)庫、選擇器、IP控制器、域名服務(wù)器、cookie服務(wù)器等組成，如圖2所示。

圖2 Web網(wǎng)頁采集系統(tǒng)結(jié)構(gòu)圖

通過網(wǎng)頁抓取技術(shù)對(duì)互聯(lián)網(wǎng)音視頻網(wǎng)站進(jìn)行全面搜索，可以保證較高的效率。尤其是使用了冗余內(nèi)容排重、分布式多機(jī)并行／協(xié)作及連接地址排重等技術(shù)可以使搜索速度更快，搜索結(jié)果準(zhǔn)確率更高。此外，互聯(lián)網(wǎng)上的頁面鏈接并不是統(tǒng)一格式的，一些網(wǎng)頁連接是完整的，也可能是省略了部分內(nèi)容的，或者只是一個(gè)相對(duì)路徑。為了能夠高效便捷的處理這些URL，就需要將頁面鏈接中給出的各種格式的URL歸一化成統(tǒng)一的格式，進(jìn)行URL歸一化操作，便于處理。

此外，出于安全角度考慮，在網(wǎng)頁數(shù)據(jù)采集的過程中，網(wǎng)頁采集系統(tǒng)的搜索機(jī)與外部互聯(lián)網(wǎng)之間采用了地址隱藏技術(shù)。利用代理、網(wǎng)絡(luò)地址翻譯等IP地址隱藏技術(shù)，將所有訪問互聯(lián)網(wǎng)的搜索機(jī)地址加以隱藏，防止被搜索對(duì)象進(jìn)行反向定位，確保了系統(tǒng)安全。

結(jié)束語

內(nèi)蒙古互聯(lián)網(wǎng)視聽節(jié)目監(jiān)測系統(tǒng)是自治區(qū)監(jiān)測與發(fā)展中心監(jiān)測范圍內(nèi)的重要組成部分。其中，數(shù)據(jù)采集過程更是互聯(lián)網(wǎng)視聽節(jié)目監(jiān)測的基礎(chǔ)，是非常重要的一環(huán)。數(shù)據(jù)采集系統(tǒng)的安全高效運(yùn)行，對(duì)于互聯(lián)視聽節(jié)目監(jiān)測的安全和效率具有極大意義和影響。