Исследование веб-пространства организаций является актуальной проблемой в связи со стремительным развитием Веба и ресурсов, представленных в нем. Сайты крупных организаций, таких как Санкт-Петербургский госуниверситет или Газпром, имеют десятки и сотни сайтов и тысячи связывающих их гиперссылок. Эти исследования помогают определить, насколько организация следит за тенденцией развития своих сайтов и предоставляет результаты своей деятельности.
Веб-сайт – это совокупность html-страниц и веб-документов, связанных внутренними гиперссылками и обладающих единством содержания, идентифицируемая в Вебе по уникальному доменному имени [1]. Веб-пространство организации – это множество, состоящее из веб-сайтов организации, которые связаны между собой гиперссылками. У веб-пространства всегда можно выделить его «головной сайт», официальный сайт организации. Внутренние гиперссылки – это гиперссылки, которые ссылаются на html-страницы заданного веб-пространства, при этом URL-источник также является страницей этого веб-пространства.
Для описания веб-пространства можно использовать веб-граф. В общем случае веб-граф – это ориентированный граф, вершинами которого являются html-страницы, а ребрами – гиперссылки, связывающие данные вершины. Чтобы построить веб-граф сайта, необходимо получить сведения о его структуре: html-страницы и гиперссылки, связывающие их. Краулер – программа, предназначенная для перебора страниц Веба с целью сбора и/или занесения определённой информации в базу данных [2].
Структурные исследования характеристик веб-графов в настоящее время достаточно хорошо исследованная область прикладной математики [3]. Компоненты сильной связности, клики, значения Page Rank и другие характеристики позволяют лучше понять развитие и функционирование как веб-пространств организаций, так и взаимодействие между ними.
Основной вопрос данной статьи ставится так: можно ли сказать, что одинаковые по тематике сайты имеют подобную (в некотором заданном смысле) структуру?
В нашем случае ответ на этот вопрос формулируется на основе проведенных экспериментов для 15 крупных организаций (по 5 вузов, научных институтов и производственных предприятий).
При этом необходимо было решить несколько подзадач:
1. Разработать программу-краулер для сбора информации о веб-пространстве организации.
2. Определить основные характеристики веб-графа, построенного по данным, полученным краулером (PageRank, клики, компоненты связности).
3. Исследовать вопрос о кластеризации множества веб-пространств по ряду формальных характеристик их веб-графов.
Эксперименты, проведенные на примере 15 крупных организаций с определением ряда формальных характеристик, используемых в разбиении данного множества веб-пространств на подмножества с близкими тематиками и структурами, дают хорошие результаты и позволяют сделать вывод о перспективности данного направления исследований.
Краулер
Для сбора информации о веб-пространстве организации была реализована программа-краулер, основной задачей которой является сбор доменных имен веб-сайтов и гиперссылок, связывающих их. Теме краулеров посвящено много работ [4], однако в открытом доступе не удалось найти подходящий краулер, который бы решал поставленную задачу без дополнительных затрат на обработку входных/выходных данных и ввода дополнительных параметров. Поэтому было решено реализовать свой краулер, удовлетворяющий таким требованиям, как простота в использовании, скорость обработки сайтов заданного веб-пространства, посещение только веб-сайтов, доменное имя которых является поддоменом домена головного сайта, индексирование гиперссылок, у которых домен URL адреса является поддоменом домена головного сайта.
Архитектура реализованного краулера содержит в себе блок краулинга (при запросе URL страницы получает ответ от веб-сервера, если доступ к странице получен, делает синтаксический анализ), блок сканирования (собирает все внутренние гиперссылки со страницы) и блок записи (обновляет список с доменными именами веб-сайтов и список гиперссылок).
Ниже описаны основные свойства реализованного краулера:
1. В качестве исходных данных подаётся адрес начальной страницы головного сайта исследуемого веб-пространства организации и максимальная глубина сканирования каждого сайта веб-пространства. Уровень веб-страницы определяется так: начальная страница, определяемая по доменному имени сайта, имеет уровень 0. Уровень любой другой страницы – это минимальное количество внутренних гиперссылок, ведущих от начальной страницы к данной.
2. Обход каждого сайта, начиная с главной заданной страницы, осуществляется «в ширину» по внутренним гиперссылкам.
3. Объекты сканирования – html-страницы. Гиперссылки, указывающие на файлы с расширениями rar, docx, 7z и тому подобное, и гиперссылки типа «mailto:» не рассматриваются.
4. Гиперссылки извлекаются с html-страниц, из тегов <а> параметра <href>, доменное имя которых является поддоменом любого уровня доменного имени главной страницы.
5. Для гиперссылки сервер должен выдавать ответ с кодом состояния HTTP равным 200 (ОК – запрос успешен) [5].
6. Сканирование осуществляется до тех пор, пока не будет достигнута заданная глубина сканирования, либо список страниц, которые необходимо посетить, будет пуст.
7. В качестве результата выдаётся два файла: список всех найденных сайтов, доменное имя которых является поддоменом любого уровня доменного имени главной страницы и официальное название сайта; список всех полученных гиперссылок, связывающих сайты из первого файла.
Краулер реализован на языке Java в интегрированной среде Intellij Idea [6], для синтаксического анализа страниц была использована библиотека Jsoup [7].
Примечательным является высокая эффективность программы (не осуществляется индексирование веб-сайтов и гиперссылок, которые не принадлежат веб-пространству исследуемой организации). Например, время работы программы для полной обработки веб-пространства СПбГУ примерно 3 часа 20 минут. Посещено 24590 страниц, найден 151 веб-сайт и 99930 связывающих их гиперссылок.
Веб-граф организации и его основные характеристики
Веб-граф – это множество G(V, E), состоящее из html-страниц и/или документов, являющихся вершинами V веб-графа G, и гиперссылок E, связывающих элементы из множества V. Рассмотрим построение веб-графа организации на примере СПбГУ.
При помощи реализованной программы-краулера были получены списки вершин и дуг веб-графа.
Ниже, в табл. 1 и 2, представлены некоторые данные, полученные краулером.
Далее была сформирована табл. 3 по данным полученным краулером, а именно – для каждой пары из табл. 1 было подсчитано количество дуг, исходящих из одной вершины в другую.
Представим на рисунке визуализацию веб-графа, для этого была использована библиотека Jgraph [8], простая в использовании, с помощью которой можно построить и вывести на экран нужный граф.
Наибольшее количество исходящих или входящих гиперссылок имеют официальный сайт СПбГУ, его английская и китайская версии, сайт виртуальной приемной комиссии СПбГУ и сайт архива открытого доступа СПбГУ.
Также хорошие (в смысле инцидентности дуг) показатели имеют несколько веб-сайтов факультетов СПбГУ (факультет психологии, юридический факультет), веб-сайт научной деятельности СПбГУ, веб-сайт студенческого совета СПбГУ, веб-сайт научного парка СПбГУ.
Для дальнейшего анализа было определено несколько характеристик веб-графа, таких как количество вершин, количество дуг, максимальная клика (размерность), количество клик размерности 3 и более и компонента сильной связности [9, 10].
Таблица 1
Некоторые веб-сайты веб-пространства СПбГУ
Доменное имя сайта |
Официальное название сайта |
spbu.ru |
СПбГУ |
chinese.spbu.ru |
SPBU- |
dspace.spbu.ru |
DSpace at Saint Petersburg State University |
Таблица 2
Некоторые дуги веб-пространства СПбГУ
URL-источник |
URL-приемник |
http://spbu.ru |
http://chinese.spbu.ru |
http://spbu.ru |
https://dspace.spbu.ru |
http://nauka.spbu.ru/megagrany-spbgu |
https://ias.spbu.ru |
Таблица 3
Представление веб-графа СПбГУ в виде списка дуг
Доменное имя источника |
Доменное имя приемника |
Количество дуг |
guestbook.spbu.ru |
spbu.ru |
11664 |
spbu.ru |
english.spbu.ru |
7767 |
dspace.spbu.ru |
spbu.ru |
4432 |
dspace.spbu.ru |
it.spbu.ru |
4384 |
spbu.ru |
chinese.spbu.ru |
3883 |
nauka.spbu.ru |
spbu.ru |
2244 |
psy.spbu.ru |
spbu.ru |
2065 |
Визуализация веб-графа СПбГУ
Для веб-пространства СПбГУ (доменное имя головного сайта spbu.ru) был получен следующий ряд характеристик: количество вершин – 151, количество дуг – 99930, размерность максимальной клики – 6, количество клик размерности 3 и более – 75, размерность максимальной компоненты сильной связности – 123.
Для каждой вершины веб-графа было вычислено значение PageRank [11], в частности первые 5 вершин веб-пространства СПбГУ с наибольшими значениями имеют следующие показатели: spbu.ru – 0,1526; eng.spbu.ru – 0,0266; it.spbu.ru – 0,0251; abiturient.spbu.ru – 0,0238; guestbook.spbu.ru – 0,0204.
Сравнительное исследование веб-графов организаций
Для проведения экспериментов были взяты веб-пространства 15 организаций, информация о которых сведена в табл. 4. Первые пять организаций представляют российские вузы, следующие пять – производственные организации, и последние пять – научные учреждения России. В последних трех колонках в качестве примера приведены по три характеристики каждого веб-пространства.
В табл. 5 приводятся вторичные характеристики, полученные из основных, и используемые далее для разбиения исследуемого множества на непересекающиеся подмножества, состоящие из схожих объектов.
В колонке PR0/PR1 вторичная характеристика вычисляется как частное, полученное от деления PR головного сайта на PR наибольшего значения из всех остальных значений.
Кластеризация по методу k-средних при задаваемом разбиении на 4 кластера [12] дает следующие четыре подмножества: cl1: {ict.nsc, iki.rssi, ras}, cl2: {spbu, msu, mipt, petrsu, severstal, kunstkamera}, cl3: {urfu, krc.karelia}, cl4: {gazprom, rosneft, baltika, evraz}.
Кластер cl1 содержит только научные учреждения России, cl2 – в основном российские вузы, а cl4 – производственные организации. В cl3 оказался вуз и научное учреждение. Можно сказать, что введенные вторичные формальные характеристики веб-графов дают довольно хороший результат в смысле разбиения заданного множества веб-пространств на подмножества почти одной тематики.
В табл. 6 приводятся средние значения вторичных характеристик для каждого из кластеров.
Таблица 4
Сведения об исследуемых организациях
№ п/п |
Организация |
Условное обозначение |
URL головного сайта |
Кол-во вершин |
Кол-во дуг |
PR головного сайта |
1 |
СПбГУ |
spbu |
spbu.ru |
151 |
99930 |
0,0148 |
2 |
МГУ |
msu |
www.msu.ru |
291 |
80154 |
0,0161 |
3 |
МФТИ |
mipt |
mipt.ru |
85 |
26106 |
0,0228 |
4 |
УрФУ |
urfu |
urfu.ru |
126 |
81777 |
0,0264 |
5 |
ПетрГУ |
petrsu |
petrsu.ru |
53 |
87964 |
0,0882 |
6 |
ПАО «Газпром» |
gazprom |
www.gazprom.ru |
80 |
1278255 |
0,0297 |
7 |
ПАО «Северсталь» |
severstal |
www.severstal.com |
27 |
80028 |
0,0318 |
8 |
ПАО «НК «Роснефть» |
rosneft |
www.rosneft.ru |
69 |
26719 |
0,0205 |
9 |
«Балтика» |
baltika |
www.baltika.ru |
3 |
3647 |
0,0503 |
10 |
«ЕвразХолдинг» |
evraz |
www.evraz.com |
10 |
280 |
0,043 |
11 |
Кунсткамера |
kunstkamera |
kunstkamera.ru |
11 |
479 |
0,273 |
12 |
ИВТ СО РАН |
ict.nsc |
www.ict.nsc.ru |
10 |
4673 |
0,0234 |
13 |
ИКИ РАН |
iki.rssi |
iki.rssi.ru |
6 |
284 |
0,197 |
14 |
КарНЦ РАН |
krc.karelia |
www.krc.karelia.ru |
42 |
25641 |
0,1029 |
15 |
РАН |
ras |
ras.ru |
59 |
724 |
0,0405 |
Таблица 5
Характеристики веб-пространств, используемые в кластеризации
№ п/п |
Организация |
PR0/PR1 |
кол-во вершин / кол-во дуг |
макс. клика / кол-во вершин |
макс. КСС / кол-во вершин |
1 |
spbu |
5,7356 |
0,0015 |
0,0331 |
0,8145 |
2 |
msu |
4,0318 |
0,0036 |
0,0137 |
0,6288 |
3 |
mipt |
4,5390 |
0,0032 |
0,0353 |
0,7058 |
4 |
urfu |
1,5400 |
0,0015 |
0,0317 |
0,9126 |
5 |
petrsu |
5,2440 |
0,0006 |
0,0566 |
0,7547 |
6 |
gazprom |
1,2042 |
0,0001 |
0,9125 |
0,9625 |
7 |
severstal |
4,0847 |
0,0003 |
0,5929 |
0,9629 |
8 |
rosneft |
1,2122 |
0,0025 |
0,6811 |
1,0000 |
9 |
baltika |
1,0000 |
0,0008 |
1,0000 |
1,0000 |
10 |
evraz |
1,0000 |
0,0357 |
0,5000 |
0,8000 |
11 |
kunstkamera |
6,4019 |
0,0229 |
0,0000 |
0,7272 |
12 |
ict.nsc |
2,2309 |
0,0021 |
0,3000 |
0,8000 |
13 |
iki.rssi |
2,3831 |
0,0211 |
0,0000 |
0,8333 |
14 |
krc.karelia |
1,5123 |
0,0016 |
0,0952 |
0,7380 |
15 |
ras |
1,9546 |
0,0814 |
0,0508 |
0,4237 |
Таблица 6
Средние значения вторичных характеристик
№ п/п |
Вторичные характеристики |
cl1 |
cl2 |
cl3 |
cl4 |
1 |
PR0/PR1 |
2,1896 |
5,0062 |
1,5262 |
1,1041 |
2 |
кол-во верш / кол-во дуг |
0,0349 |
0,0054 |
0,0016 |
0,0098 |
3 |
макс. клика / кол-во верш |
0,1169 |
0,1219 |
0,0635 |
0,7734 |
4 |
макс. КСС / кол-во верш |
0,6857 |
0,7657 |
0,8253 |
0,9406 |
Наиболее характерным является кластер cl4, содержащий производственные организации, с которого начнем анализ. Он выделяется сильной связностью и малым количеством «висячих» вершин (не имеющих исходящих дуг), – об этом говорят характеристики 3 и 4. Значимости головного сайта внимание не уделяется (характеристика 1).
Элементы кластера научных учреждений cl1 обладают низкой плотностью дуг (характеристика 2), невысокой связностью (характеристики 3 и 4) и большим количеством «висячих» вершин (характеристика 4).
У элементов кластера cl2 (в основном это вузы) явно выделяется головной сайт (характеристика 1). Плотность и связность также достаточно высоки (характеристики 2 и 3).
Элементы «смешанного» кластера cl3 (кластер, содержащий вуз и научное учреждение) имеют очень высокую плотность и очень слабую максимальную клику.
Понятно, что столь малое количество экспериментов не позволяет делать какие-либо глобальные выводы, однако дает возможность определить дальнейшие направления исследований.
Работа выполнена при частичной поддержке гранта РФФИ 15-01-06105А, проект «Разработка вебометрических и эргономических моделей и методов анализа эффективности присутствия в Вебе информационных веб-пространств крупных организаций».
Библиографическая ссылка
Печников А.А., Павлов А.Г. О СХОДСТВЕ СТРУКТУР ВЕБ-ПРОСТРАНСТВ С ОДИНАКОВОЙ ТЕМАТИКОЙ // Фундаментальные исследования. – 2017. – № 7. – С. 59-64;URL: https://fundamental-research.ru/ru/article/view?id=41585 (дата обращения: 16.08.2024).