WEB EXTRACTION – Extrakcia dát z webu

156

Viacero ľudí, či už z odbornej praxe alebo pre rôzne iné účely navštevuje pravidelne webové stránky za účelom zistenia si informácií. Môžu si vytvárať rôzne štatistiky, zbierajú dáta z rôznych domén a podôb do jednej, prehľadnejšej podoby a pod.

Samotná aktivita, ktorá spočíva v pravidelnom a opakujúcom sa vyhľadávaní je pomerne otravná a zaberá zbytočný čas a energiu. Tento fakt bol pre náš tím motiváciou. Vyvinúť aplikáciu, ktorá by spomenutú aktivitu automatizovala, čím by sa ušetrilo množstvo času a energie používateľom.

Aké riešenie ponúkame?

Pri návrhu riešenia sa dbalo na fakt, aby službu mohli používať aj menej skúsení používatelia, no na druhej strane, aby ponúkla funkcionalitu aj používateľom skúsenejším, či náročnejším. Náš systém automaticky, na základe používateľom definovaných intervalov sťahuje dáta zo stránok podľa vopred definovaného skriptu. Skladá sa z dvoh základných častí, a to webovej aplikácie a rozšírenia do prehliadača Google Chrome.

Webová aplikácia poskytuje správu používateľov (prihlásenia a registráciu), manažment projektov používateľa (projekty predstavujú určitú doménu, do ktorej sa extrahované dáta zaraďujeme), zahŕňajúci definíciu a správu dátových polí. Okrem toho aplikácia poskytuje prehľad vykonaných extrakcií, spolu so štatistickými informáciami a výsledným stavom extrakcie. Dáta získané počas extrakcie sú tak isto k dispozícií, pričom používateľ si ich môže aj stiahnuť pomocou API alebo vo formáte CSV.

Príklad rozhrania webovej aplikácie

Rozšírenie do prehliadača Chrome pokytuje rozhranie, ktorým si používateľ pre požadovanú stránku zvolí elementy, ktoré chce extrahovať. Dáta, ktoré záska je možné po extrahovaní spracovať pomocou post-procesorov (napr. vykonať vnorenú extrakciu, vyčistiť text od prebytočných znakov na začiatku a na konci a pod.)

Ukážka rozhrania rozšírenia do prehliadača Google Chrome

Porovnanie s alternatívami

Oproti už existujúcim riešeniam náš systém ponúka už skôr spomenutú možnosť plánovania extrakcií (pravidelne sa opakujúce extrahovanie), zobrazenie výsledkov v prehľadných tabuľkách, podľa definovaných polí daného projektu a najmä možnosť využiť pre získanie dát API alebo CSV formát.

Ďalšým pozitívom je základná myšlienka, ktorá sprevádza projekt od začiatku a to je kladenie dôrazu na použiteľnosť. Ponúkaný systém je vhodný pre rôzne typy používateľov a nevyžaduje podrobnú znalosť problematiky extrakcie dát.

Kto sme?

Náš tím s názvom WebX at FIIT STU (WebX = Web eXtraction) tvorí partia 7 študentov (Ján Brechtl, Tomáš Juhaniak, Martin Kalužník, Rastislav Krchňavý, Michal Kren, Martin Lacek a Andrej Vaculčiak), z ktorých každý sa zameriava na svoju špecifickú oblasť záujmu (od sietí, cez server administrátora, developerov, až po front-end developera web aplikácií). Pomiešanie tejto zmesi rôznych zameraní z nás ale vytvorilo dobre fungujúci tím, v ktorom každý vie, aká je jeho úloha. Spojili sme svoje sily a vydali sa na cestu riešenia pomerne aktuálneho problému.

V prípade, že sa chcete o našom projekte dozvedieť viac, môžete nás kontaktovať buď

Dobrý článok? Chceš dostávať ďalšie?

Už viac ako 4 200 z vás dostáva správy e-mailom. Nemusíš sa báť, nie každé ráno. Len občasne.

I agree to have my personal information transfered to MailChimp ( more information )

Tvoj email neposkytneme 3tím stranám. Posielame naňho len informácie z robime.it. Kedykoľvek sa môžete odhlásiť.