摘要:互联网环境下的地理信息服务聚合是当前的研究热点之一。本文研究了网络爬虫、数据挖掘、行业信息空间定位以及服务聚合技术，智能解析了多个行业的数据资源，并将空间化后的行业地理信息数据进行了注册与发布，实现了行业数据与基础地理信息数据的服务聚合。最后，开发原型信息系统，验证了该方法的可行性与有效性。
关键词:服务聚合;网络爬虫;数据挖掘
0引言
基础地理信息提供了电子地图、遥感影像、地名搜索等服务，满足了地图浏览、路线查找等基本需求，它是构建地理信息应用必不可少的基础服务资源。在我国，随着电子政务、数字城市、智慧城市建设的逐步推进，政府各职能部门对基础地理信息服务的需求越来越迫切[1]。然而，基础地理信息服务在面对不同类型用户的需求时却是单一、有限的，不能很好地满足实际应用的需求。一方面，公众服务、行业应用已普遍使用互联网，用户对于信息的感知度更加敏锐;另一方面，Web2.0时代的到来，使得网络信息资源急剧膨胀，它蕴含了大量、非空间化的地理信息，此类信息是一种巨大的信息战略资源，急需采集和利用[2]。因此，如何在海量的网页中快速、准确地抓取与地理信息相关的行业信息，如何使非空间化的行业信息空间可视化，并能够与已有的基础地理信息服务聚合，支持联合查询与协同分析，还有待研究[3]。
鉴于以上问题，本文设计了一种基于数据挖掘的地理信息服务聚合方法，实现了非空间化的、异构的行业信息网络化采集、净化与空间化，并与现有的基础地理信息服务进行了服务聚合，更好地挖掘了网络地理信息资源，以满足数字广西地理空间框架所倡导的更全面、更准确、更详细、更完整的地理信息服务目标。
1总体思路
总体思路如图1所示。①借鉴搜索引擎的网络爬虫[3]，在异构的网络环境中，对非空间化的行业地理信息进行自动采集;②使用数据挖掘的方法对行业数据进行清洗和整理;③使用地名地址匹配技术，将数据中包含的地名地址信息与现有的地名地址信息进行匹配，实现空间定位;④根据行业应用需求，对业务流程稳固、数据和功能优化后的服务进行聚合，并将这类服务注册与发布，形成新的地理信息服务，提供唯一的统一资源定位符(UniversalResourceLocator:URL)，方便用户发现和使用。
2关键技术
2.1数据爬取
网络爬虫(WebCrawler)在互联网上漫游，可以对网络上几亿甚至于上百亿的网页进行爬取，是当今主流搜索引擎的信息采集利器。其工作过程是通过URL不断地从一个网页调到另一个网页爬取信息:①人工选定一些URL作为起始点，以这些URL作为种子，根据HTTP协议向Web服务器进行网页的请求，开始对相关页面进行访问;②对每一个被访问的页面，根据一定的爬行策略进行过滤，待页面正确获取后保存到本地;③对被保存到本地的网页，进行网页文本分析处理，并提取出目标URL加入URL种子队列;④继续从URL种子队列中选出一个URL，重复①—③过程，直到满足网络爬虫停止的条件时结束。其工作原理如图2所示。
在搜索应用中，爬行策略至关重要。考虑到地名地址匹配，本文使用了最佳优先的、与主题相关的爬行策略[4]，目标网页中包含的地名地址与基础地理信息的POI点具有一定的相似度，可以分别计算基础地理信息中的地名地址与URL网页文本解析得到的地名地址之间的相似度，取二者之间的均值作为当前文本的主题相关度，以URL队列中相关度最大者作为最优匹配结果，最优匹配的网页文本保存于本地数据库中。
2.2数据挖掘
“当多元空间数据汇集一处时，就有可能存在高维数据、不同数据结构、不同的投影体系或度量单位等，以及噪声、误差的影像，势必需对空间数据清理。[5]”已抓取的网页文本，其数据内容是繁杂的，部分数据是冗余的，甚至是完全无关的，它们的存在影响到有价值的信息发现。例如，有些文本中包含的数据信息是非线性的、粗粒度图2网络爬虫工作原理图Fig.2Webcrawlerworkingprinciplediagram的，并不能直接使用，需要进行数据清洗，降低数据维度。而不同的行业数据，有着不同的特性，应通过数据挖掘归纳出行业数据的特征信息，发现行业数据的信息规律。
在数据挖掘方法的选择上，本文使用了支持向量机的监督分类方法。该方法建立在统计学习和经验风险最小的理论基础上，能够很好地解决小样本、非线性及高维模式识别方面的问题。利用支持向量机中核函数构建的超平面以区分不同行业的数据信息。在具体操作过程中，首先，从每个行业的数据中随机抽取10000条以上的数据记录进行样本训练，统计各行业关键词出现的频率;然后，构建训练样本的特征空间分词库;最后，使用支持向量机的分类方法对未知文本进行筛选和分类。值得注意的是，对于中文网页文本的处理，使用中文分词方法[6]将文本区分为名词、动词、介词、连词、数词、标点符号、地名地址等(见表1)。
其中，介词、连词、标点符号等词类是与数据信息无关的噪声词类，予以去除;地名地址是空间定位的基础，存储于数据库中;数词是各行业数据的重要属性信息，与相应的名词、动词建立关键字联系。按照朴素贝叶斯统计方法以所有名词、动词为基底，统计各样本空间的动词、名词出现频率，以频率较高者作为该样本空间的特征向量，例如:广西发改委网页文本的特征词频率统计情况，如图3所示。
2.3地名地址匹配
无论从主题中还是从文本中抽取的地名地址都是非结构化的地理信息，均未含有空间地理坐标，需要进行空间定位。由于数字广西地理空间框架的基础地理信息数据已含有600000条以上的地名地址数据，它存储了地理实体名称、地名地址名称及相应的空间坐标信息，可以使用该数据作为空间参考库，与网页文本的地理信息进行地名地址匹配，挂接各行业数据的属性信息，实现空间定位。
地名地址匹配包括精确匹配和模糊匹配。精确匹配用以对网页文本中具有详尽描述的地理信息进行空间定位，模糊匹配用以对网页文本中描述粗略或者不全的地理信息进行空间定位。在地名地址匹配过程中，网页文本中的地名地址描述与标准化的地名地址描述常常不一致(如:在网页文本中描述为“鹏程驾校”，而在标准化的地名地址描述为“广西壮族自治区南宁市江南区那洪街道金凯路鹏程驾校”)，给地名地址匹配带来了一定的困难，需要将网页文本中的地名地址进行标准化处理。参考lCH/Z9002—2007数字城市地理空间信息公共平台地名/地址分类、描述及编码规则，标准化的地名地址描述表现为一种树状的层次结构模型(如图4所示)。因此，在程序中将地名地址描述设计成一种可扩展的树状模型，对网络文本中的地名地址进行切分，对照树状模型由上而下依次匹配，当上级节点匹配成功时，搜索下级节点，再进行匹配，直到在地址参考库中找不到匹配的地名地址描述，最后根据权重情况确定该地名地址描述，将此时地名地址参考库中的坐标信息和行业数据的属性信息进行挂接，实现空间坐标定位。
2.4服务聚合
地理信息服务聚合通过地理信息服务之间的通信与协作，将分散、相对简单的细粒度服务组合成复杂的具有新功能的粗粒度服务，提高服务的利用率和可重用性，构建全新的应用，实现信息服务的增值[7]。经过网页文本中挖掘的行业数据，具有较高的时效性，它不仅是行业部门高度关注的事件，而且也是一种低成本、高效率获取的地理信息，将此类地理信息与基础地理信息服务聚合，可进一步地丰富地理信息的内容，体现行业数据的价值。
地理信息服务聚合需经过单一的地理信息服务到多种服务聚合的过程。遵循OGC/ISO的地理信息规范，使用数字广西地理空间框架服务引擎注册、发布空间化后的行业地理信息，并对服务描述的内容、功能、接口和访问方式等进行阐释，提供唯一的URL地址，方便用户搜索、发现和使用。
地理信息服务聚合包含服务端聚合与客户端聚合。服务端聚合在服务端完成，旨在叠加多源、异构的地理信息服务，作为一个整体返回给用户。目前，数字广西地理空间框架的“天地图·广西”已在服务端纵向实现了国家、自治区、市、县四级节点的信息服务聚合，并结合高分辨率对地观测系统广西数据与应用中心的需求，聚合了高分系列、资源系列和北京二号影像服务，提供影像查询、检索等功能聚合服务。客户端聚合在客户端完成，旨在聚合用户本身的业务服务和第三方地理信息服务，属于一种轻量级的聚合服务应用。为满足用户多样化的业务需求，将原先组件式的处理方法细化为原子级的处理方法，提供细粒度的服务调用、在线工具和开发工具等方法，按需组装业务功能。同时，在行业部门数据基础上，将非空间化的业务数据空间化，关联相应的地理对象，提供空间信息、图文信息及关联信息的查询，满足行业部门专业信息融合、业务功能定制与基础地理信息服务的集成。如图5所示的河池市精准脱贫攻坚指挥系统，其地理信息服务调用了数字广西地理空间框架与数字河池地理空间框架的第三方服务，专题信息通过采集和空间化处理，在客户端发布并调用，功能服务则使用原子级的处理方法进行多样化的组装，完成了战区分布、战场研判、战果监督、战果展示等功能的集成。
3实验结果
在JavaScript语言环境下，本文使用以上方法开发了一套原型信息系统。该系统将各行业门户网站爬取的数据(广西发改委、统计局、旅发委、公安厅、林业厅、住建厅等)以REST服务方式进行了注册、发布，以富客户端的方式实现了与数字广西地理空间框架基础地理信息服务的服务聚合。系统调用了天地图·广西的矢量地图服务，将各行业门户网站获取的数据在前端进行直观展示，并提供空间查询、统计等功能服务。实验结果表明，本文方法是可行的。
4结束语
在互联网环境下，本文利用数据爬取、数据挖掘、行业信息空间定位以及服务聚合技术，通过挖掘与行业息息相关的地理信息，将行业数据进行空间可视化处理，并进行了注册与发布，完成行业数据与基础地理信息数据的服务聚合，以满足各种行业对地理信息个性化的需求。该种方法采集的行业地理信息数据，具有时效性、准确性和空间分布特征，同时也能够将行业数据和基础地理信息数据有效融合，可进一步丰富数字广西地理空间框架的数据资源，为用户提供更为翔实、便捷、有价值的信息服务。
相关期刊推荐：《测绘与空间地理信息》是黑龙江测绘局主管、黑龙江省测绘学会主办的反映测绘学科及地理空间信息科学前沿理论和技术并指导地理信息工作者从事科研、开发、生产的技术性、知识性刊物，主要刊载测绘高新技术、地球空间信息和地理信息系统的前沿理论与技术;地理信息系统工程建设的技术总结与经验交流;测绘行业管理与改革的先进经验;测绘生产技术交流、科研成果推广及教学经验介绍等;测绘学和地理信息学中的理论探讨;国内外地理信息学术动态及测绘科技报道与介绍;测绘科普知识;测绘仪器最新发展等。
