View
106
Download
1
Category
Preview:
Citation preview
AGREGADOR AUTÔNOMO DE CONTEÚDO WEBRafael Marchioli Bernardes
Wagner Ferreira dos Santos Júnior
Wilson Massashiro Yonezawa
OBJETIVO
Desenvolver um sistema computacional capaz de agregar informações de ofertas de compras coletivas através apenas da analise do código HTML/Javascript/CSS padrão web, agrupando-as de acordo com as caracteristicas da oferta apresentada.
Classificador
Scraper
BD
CRAWLER
ARQUITETURA DO CRAWLER
CRAWLERS Crawler sequencial Seeds é qualquer lista
de URLs A ordem das paginas
visitadas é definida pela arquitetura do frontier
Criterio de parada pode ser qualquer.
DATA CLEANING
Data cleaning Remove referências irrelevantes e campos nos
logs. Remove referências criada pela navegação do
crawler Remove referências erradas Adiciona referências perdidas devido a
sessionization.
CLASSIFICADOR
Integração XML. Criação de template manual. Modelo de extração autonomo.
<?xml version="1.0" encoding="UTF-8"?>
<ofertas>
<oferta>
<id>ID da oferta</id>
<cidade>Rio de Janeiro</cidade>
<endereco>Endereço da oferta</endereco>
<titulo>Título da oferta</titulo>
<preco-real>Preço Real</preco-real>
<preco-final>Preço Final</preco-final>
<desconto>Desconto Porcentagem</desconto>
<url-imagem>URL da imagem</url-imagem>
<site>Nome do site da oferta</site>
<link>URL da oferta</link>
<data-inicio>Data de início da oferta</data-inicio>
<data-fim>Data do término da oferta</data-fim>
<categoria>Categoria da oferta</categoria>
<numero-vendas>Número de ofertas vendidas</numero-vendas>
</oferta>
<oferta>
<id>...</id>
<cidade>...</cidade>...
...
</oferta>
</ofertas>
MANUAL
Extensão Chrome. Capaz de navegar o DOM e estrair um
template da info selecionada. Armazena o template. Requesita o dado baseado no template.
12
EXTRAÇÃO AUTONOMA
Cada extração é feita utilizando-se 2 regras, uma start rule e uma end rule.
As regras de extração são baseadas em landmarks. Cada landmark é uma sequência tokens
consecutivos. Landmarks são usados para localizar o inicio e o
fim de cada item. Regras usam landmarks
13
EXEMPLO:“Good Noodles”. A regra R1 pode identificar o início:
R1: SkipTo(<b>) // start rule Com essa regra o sistema varre a pagina do início até
encontrar a tag <b>, que é um landmark. Para identifcar o fim:
R2: SkipTo(</b>) // end rule
REGRAS NÃO SÃO ÚNICAS Por exemplo, outras regras podem ser usadas
para encontrar o início da palavra:R3: SkiptTo(Name _Punctuation_ _HtmlTag_)
ou R4: SkiptTo(Name) SkipTo(<b>)
R3 pula-ra tudo ate encontrar “Name” seguido por uma pontuação e uma tag HTML. Name _Punctuaion_ e _HtmlTag juntos formam um landmark.
REGRAS DE EXTRAÇÃO Como o Stalker(Modulo que compara os dados e
cria os templates) aprende as regras para encontrar um item. Em cada iteração ele aprende uma regra que cobre o
maior número de exemplos positivos sem ter nenhum exemplo negativo.
Uma vez que um exemplo positivo é coberto por uma regra, este exemplo é removido.
O algoritmo termina quando todos os exemplos positivos foram removidos e o resultado é uma lista com todas as regras aprendidas.
PARSING HTML tem uma estrutura de
árvore DOM (Document Object Model)
HTML geralmente possui erros Crawlers, assim como
browsers, devem ser robustos Mas existem ferramentas para
ajudar E.g. tidy.sourceforge.net
Cuidado com os diversos outros formatos Flash, SVG, RSS, AJAX…
FRONTEND
APLICATIVO CHROME
Possível seleção dos parâmetros a serem selecionados.
Usuário seleciona na tela qual será a informação a ser gravada e em seguida seleciona na extensão onde grava-la
Ao final exporta-se um arquivo contendo os caminhos que foram selecionados, tornando possível coleta-los automaticamente da próxima vez.
BIBLIOGRAFIA:
YU, Liyang. A Developer’s guide to the Semantic Web. Springer 1st Edition., 2011
Web Semântica. Disponível em: < http://pt.wikipedia.org/wiki/Web_semantica > Acesso em : 16 março 2011.
SYCARA, Katia; PAOLUCCI, Massimo; ANKOLEKAR, Anupriya; SRINIVASAN, Naveen. Automated discovery, interaction and composition of Semantic Web services. Carnegie Mellon University, 18 julho 2003
BERNERS-LEE, Tim; HENDLER, James; LASSILA, Ora. The Semantic Web: A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities, 17 Maio 2001
LIU, Bing. Web Data Mining Exploring Hyperlinks, Contests, and Usage Data. Springler-Verlag Berlin Heidelberg, 2007
WITTEN, Ian H.; FRANK, Eibe; HALL, Mark A..Data Mining:Practical Machine Learning tools and techniques, 2011
FIM
www.promotime.com.br
Recommended