第1741章 别被技术细节吓住

第1741章 别被技术细节吓住 (第1/2页)

办公室的白板上写满了字。
　　
　　李明的粉笔停在半空，眉头皱成一个疙瘩。
　　
　　他转身看向另外四个同伴，又看看坐在会议桌旁的贾瀞雯。
　　
　　“贾总，这个‘网页爬虫’的概念……我们研究了三天，还是有点不明白。”他放下粉笔，拍了拍手上的粉灰，“文档上说，要让程序像蜘蛛一样在网上爬，自动发现和收集网页。
　　
　　但具体怎么实现？”
　　
　　张涛推了推眼镜，翻开陈浩写的技术框架文档：“这里写了一些思路--从几个种子网站开始，提取页面上的链接，然后访问这些链接，再提取新链接。
　　
　　理论上可行，但实际做起来问题很多。”
　　
　　“什么问题？”贾瀞雯问。
　　
　　“比如，有些网站不允许被访问。”说话的是王磊，团队里最年轻的一个，北大研究生在读，“还有，网页格式千奇百怪，怎么准确提取链接？再比如，如果程序陷入死循环怎么办？”
　　
　　贾瀞雯点点头。
　　
　　这些她也不懂，但她知道该问谁。
　　
　　“今天先到这里。”她看看表，“晚上我打电话问问陈总。
　　
　　大家继续研究其他部分，分词算法那边有进展吗？”
　　
　　张涛摇摇头：“更难。
　　
　　英文有空格分隔单词，中文是连在一起的。
　　
　　‘中华人民共和国’怎么分？是‘中华’‘人民’‘共和国’，还是‘中华人民’‘共和国’？不同的分法，意思差别很大。”
　　
　　会议室里一阵沉默。
　　
　　五个年轻人你看看我，我看看你，都从对方眼里看到同样的困惑--这个项目，比他们想象的要难得多。
　　
　　晚上八点，贾瀞雯在办公室拨通了陈浩的电话。
　　
　　“喂？”陈浩的声音有点喘，背景里有嘈杂的人声。
　　
　　“在忙？”
　　
　　“刚下戏，换衣服呢。”陈浩走到安静的地方，“说吧，今天遇到什么问题了？”
　　
　　贾瀞雯把白天的讨论复述了一遍。
　　
　　陈浩听完，笑了：“正常，这些确实是难点。
　　
　　你记一下，我一个个说。”
　　
　　贾瀞雯拿起笔。
　　
　　“第一，爬虫的伦理问题。
　　
　　我们要遵守rObOtS协议，就是网站根目录下的一个文本文件，告诉爬虫哪些页面可以访问，哪些不行。
　　
　　这个必须遵守，不然我们会惹麻烦。”
　　
　　“第二，网页格式问题。
　　
　　现在网页主要是HTML，虽然各家写法不一样，但基本结构是固定的。
　　
　　链接都在＜ahref=＞标签里，用正则表达式可以提取。”
　　
　　贾瀞雯打断：“正则表达式是什么？”
　　
　　“一种文本匹配的方法。”陈浩解释，“比如你要找所有以‘http://’开头的字符串。
　　
　　这个让技术人员去查资料，他们懂。”
　　
　　“第三，防止死循环。
　　
　　每个访问过的链接都要记录下来，下次遇到就直接跳过。
　　
　　还要设置深度限制，不能无限爬下去。”
　　
　　贾瀞雯飞快地记着。
　　
　　陈浩的声音很平静，好像这些难题都不是问题。
　　
　　“那中文分词呢？”她问，“这个他们觉得特别难。”
　　
　　电话那头沉默了一会儿。
　　
　　“这个确实难。”陈浩承认，“英文搜索可以直接按单词匹配，中文必须先把句子切分成有意义的词语。
　　
　　我们需要的不是机械切分，而是理解语义后的智能切分。”
　　
　　“怎么做？”
　　
　　“两种思路。”陈浩说，“一是基于词典，把常用的词做成词典库，然后匹配。
　　
　　二是基于统计，分析大量文本，找出经常连在一起出现的字组合。
　　
　　

（本章未完，请点击下一页继续阅读）