Web scraping

Il web scraping (detto anche web harvesting o web data extraction) è una tecnica informatica di estrazione di dati da un sito web per mezzo di programmi software. Di solito, tali programmi simulano la navigazione umana nel World Wide Web utilizzando l'Hypertext Transfer Protocol (HTTP) o attraverso browser, come Internet Explorer o Mozilla Firefox.

Strettamente correlato all'indicizzazione dei siti Internet, tale tecnica è attuata mediante l'uso di bot dalla maggior parte dei motori di ricerca. D'altro canto, il web scraping si concentra di più sulla trasformazione di dati non strutturati presenti in Rete, di solito in formato HTML, in metadati che possono essere memorizzati e analizzati in locale in un database. Il web harvesting è altresì affine alla web automation, che consiste nella simulazione della navigazione umana in Rete attraverso l'uso di software per computer.

Esistono metodi utilizzati da alcuni siti web per prevenire il web scraping, come ad esempio rilevare e impedire ai bot la visualizzazione delle loro pagine. Per aggirare il problema esistono sistemi di web scraping che si affidano a tecniche come DOM parsing, Computer Vision e natural language processing per simulare la navigazione web umana. Grazie a queste tecniche è possibile raccogliere i contenuti delle pagine web per l'analisi offline. Può essere usato per confrontare prezzi online, monitorare dati meteorologici, rilevare modifiche in un sito internet, nella ricerca scientifica, per il web mashup e il web data integration.

Tecniche

Il web scraping è il processo tramite cui si estraggono o si collezionano dati nel World Wide Web e, una volta ottenuti questi dati, possono essere utilizzati per diversi scopi. Le tecniche utilizzabili dipenderanno dai mezzi e dalle risorse a disposizione. Si parte da soluzioni dette "ad-hoc", che richiedono l'intervento dell'uomo per selezionare le informazioni utili, fino ad arrivare a sistemi completamente automatizzati, che attraverso il machine learning sgravano l'utente da alcuni compiti.

Copia e incolla manuale

Nemmeno la miglior tecnica di web scraping può a volte rimpiazzare l'esame dell'occhio umano e il copia e incolla manuale. Per certi casi questa è l'unica soluzione possibile, visto che alcune pagine web impediscono la raccolta automatica di dati.

Web scraper

Esistono svariati software e tool che sono in grado di riconoscere automaticamente la struttura di una pagina web, senza che sia necessario alcun intervento umano per l'estrazione dei dati. Alcuni di questi software sono in grado di estrarre informazioni direttamente dalle API.

HTML parsing

Svariati siti web sono costituiti da pagine web generate automaticamente. La fonte da cui queste pagine ricavano informazioni sono per lo più grandi database. I dati di categorie simili tra loro vengono organizzate in pagine o template comuni, per essere reperite con maggior facilità. I software che permettono tramite la rilevazione dei template l'estrazione di dati dello stesso tipo prendono il nome di wrapper.

Analisi con Visione computerizzata

Utilizzando una combinazione di machine learning e computer vision si stanno sviluppando tecniche che permettono di analizzare ed estrarre dati da pagine web seguendo modelli simili. Esse quindi simuleranno il comportamento di un utente in carne ed ossa. In questa maniera il lavoro richiesto ai software di web scraping verrà ridotto e si otterranno informazioni più pertinenti.

DOM parsing

Per modificare o ispezionare una pagina web, vengono analizzati gli script lato client, che successivamente verranno organizzati in un DOM tree. DOM è utilizzato principalmente per recuperare informazioni da documenti con una strutturazione non standard, cioè dove gli elementi vengono trovati in modo casuale

Infine (attraverso un browser web completo) sarà possibile interrogare e recuperare informazioni dall'albero.

Riconoscimento dell'annotazione semantica

Nella maggior parte delle pagine web sono presenti annotazioni semantiche (o markup) e metadati che possono essere facilmente reperiti e utilizzati per trovare frammenti di dati specifici. Questo potrebbe essere un semplice caso di DOM parsing se i metadati sono incorporati solamente nella pagina web. In caso contrario le annotazioni organizzate in diversi livelli vengono archiviate e gestite separatamente dalle pagine web, in modo tale che gli scraper possano recuperare le istruzioni e i dati da questo livello prima di eseguire lo scraping delle pagine.

Aggregazione verticale

Ci sono diverse compagnie che hanno sviluppato piattaforme verticali specifiche per la raccolta. Essi creano e monitorano una moltitudine di bot per specifiche verticali, senza "human in the loop" (nessun coinvolgimento umano diretto), e senza lavoro relativo ad un sito specifico. La robustezza della piattaforma è misurata tramite la qualità delle informazioni che reperisce (numero di campi) e dalla sua scalabilità (quanto velocemente può scalare da centinaia a migliaia di siti). Questa scalabilità viene utilizzata nella maggior parte delle volte per indirizzare la lunga coda di siti che gli aggregatori comuni trovano complicati o troppo laboriosi per la raccolta dei contenuti.

Text pattern matching

Approccio semplice ma efficace per estrarre informazioni dalle pagine web. Può essere usato tramite il comando "grep" da riga di comando nei sistemi UNIX o attraverso le funzioni di expression-matching comuni dei linguaggi di programmazione (per esempio Perl o Python).

L'economia del web scraping

Il web scraping è una tecnica che permette l'estrazione di informazioni dai siti web; spesso include la trasformazione di dati non strutturati di pagine web in database per l'analisi o il riutilizzo del contenuto. Il riutilizzo può essere sfruttato sul sito web dove abbiamo reperito le informazioni o per operazioni commerciali. Nella maggior parte dei casi, i bot, che costituiscono il 46% del traffico web, sono implementati da individui per eseguire il web scraping ad un ritmo molto più elevato rispetto a quello che potrebbero mai avere gli umani.

Attraverso l'analisi delle principali piattaforme e servizi di web scraping, Distil Networks ha sottolineato come la democratizzazione del web scraping permetta agli utenti di rubare senza problemi informazioni sensibili sul web.

"Se i tuoi contenuti possono essere visualizzati sul Web, possono essere 'raschiati'" (originale: "If your content can be viewed on the web, it can be scraped")

Il 38% delle aziende che si dedicano al web scraping lo fa per ottenere contenuti. Poiché grazie alla mole di dati facilmente acquisibile è possibile effettuare una vasta gamma di operazioni come, il confronto prezzi, il monitoraggio dei dati meteorologici e svariate ricerche. I servizi di Web scraping costano solo 3,33 $ all'ora. In media un progetto di web scraping costa all'incirca 135 $. Il web scraper medio guadagna 58000 $ all'anno, mentre lavorando in un'azienda medio-grande specializzata nel web scraping si può arrivare fino a 128000 $ all'anno.

Metodi per prevenire il web scraping

L'amministratore di un sito web può utilizzare vari metodi per rallentare o fermare un bot. Alcuni di questi sono:

• Bloccare un indirizzo IP manualmente o basandosi su criteri quali la geolocalizzazione e DNSBL. Questo bloccherà inoltre tutta la navigazione proveniente da quell'indirizzo.
• Disabilitare qualunque API del servizio web che il sito potrebbe esporre a rischi.
• Utilizzare Robots Exclusion Standard (Googlebot è un esempio) per bloccare i bot che dichiarano la loro identità (a volte lo fanno usando stringhe degli user agent). I bot che non dichiarano la loro identità non permettono di essere distinti da un essere umano.
• Monitorare l'eccesso di traffico può aiutare a bloccare alcuni bot.
• Utilizzare tool come CAPTCHA che permettono di verificare se è stata una persona reale ad accedere ad un sito web. Se questo non fosse vero si tratterebbe quindi di un bot e CAPTCHA lo bloccherebbe. A volte però i bot sono codificati in modo tale da bloccare CAPTCHA o utilizzare servizi di terze parti che sfruttano il lavoro umano per leggere e rispondere in tempo reale alle sfide di CAPTCHA.
• Utilizzare servizi anti-bot commerciali: le aziende offrono ai siti web servizi anti-bot e anti-scraping.
• Individuare i bot tramite gli honeypot o attraverso un altro metodo di identificazione di indirizzi IP dei crawler automatici.
• Aggiungere piccole variazioni di HTML/CSS per circondare dati importanti ed elementi di navigazione. Facendo ciò sarà necessario richiedere maggior coinvolgimento umano per la configurazione iniziale di un bot, questo perché essi si affidano alla consistenza del codice front-end del sito di destinazione. Se eseguito in maniera corretta si potrebbe rendere il sito web di destinazione troppo difficile da "raschiare" a causa della ridotta capacità di automatizzazione del processo di web scraping.

Software

Questi sono alcuni dei software o tool disponibili per personalizzare le soluzioni di web scraping:

• cURL - tool da riga di comando o libreria per trasferimento e recupero di dati attraverso URL
• Firebug - estensione del browser che permette di eseguire debug, modifica e monitoraggio di una pagina web
• Greasemonkey - estensione del browser che permette la modifica del sito web tramite alcuni script
• HTTrack - web crawler open-source e gratis
• iMacros - estensione del browser web che aggiunge le funzioni di registrazione e riproduzione
• Node.js - ambiente open-source e multipiattaforma per l'esecuzione di codice JavaScript lato server
• Wget - gestore di download che supporta HTTP, HTTPS e FTP

Bibliografia

• (EN) Michael Schrenk, Webbots, Spiders, and Screen Scrapers, San Francisco, No Starch Press, 2007, p. 306, ISBN 9781593271206.
• (EN) Turland, Matthew, PHP-Architect's Guide to Web Scraping, North York, Marco Tabini & Associates, 2010, p. 192, ISBN 9780981034515.

Voci correlate

• Corpus
• Crawler
• Mash-up (informatica)
• Metadato
• OpenSocial
• Spamdexing

Altri progetti

Altri progetti

• Wikimedia Commons

• Wikimedia Commons contiene immagini o altri file su web scraping

Collegamenti esterni

• (EN) Getting Data from the Web sul Data Journalism Handbook