中国地区Internet特性剖析DmytroLande.docVIP

中国地区Internet特性剖析DmytroLande 　　摘要：文本通过与全球Internet资源对比的方法，评估中国地区Internet的独特特性，并在此基础上分析了采用RSS源采集中国地区Internet信息的可能性。 　　关键词：中国地区Internet；网络资源特性；RSS源；信息采集 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）28-0020-04 　　1 概述 　　随着Internet的发展，中国已成为全球网络用户数量最多的国家，目前超过6.88亿占全国总人口一半以上的用户使用Internet。而Internet发源地美国的用户量仅为2800万排名第三。同美国相比，中国地区Internet的发展有其自身的特色[1-3]。首先，通过移动客户端访问Internet的用户远超美国，中国约有90%的用户通过智能手机等移动客户端访问Internet，而美国仅有40%的用户通过移动客户端连入Internet；其次，在线发布内容具有高活性和高稳定性，中国在线发布内容超过美国大约20%-50%；最后，用户年龄段的构成不同于美国，中国20-29岁的用户占比最高大约30%左右，10-19岁的用户次之约占22%，另外还有24%的用户年龄段处于30-39岁。 　　Internet用户量排名前37位的国家用户使用Internet比例如图1所示。图中橙色和灰色部分分别表示使用和未使用Internet的用户量。该图可以反映某国用户对Internet的贡献情况，以及国内Internet的使用程度。 　　中国地区Internet用户增长状况如图2所示[4]。其中横轴表示年份，纵轴表示用户量，单位为百万。 　　中国拥有423万个网站和2123亿个网页，其每年的增长情况如图3所示。其中横轴表示年份，纵轴左侧表示网站的增长情况（单位：百万），右侧表示网页的增长情况（单位：十亿）。绝大多数网站使用汉语，仅有少量使用英语，这为欧美国家的用户访问增加了难度，幸好随着Google翻译等软件的逐渐成熟，对解决因语言障碍问题而引起的用户访问困难起到了很大的帮助。 　　目前大多数文献仅从用户量、网站和网页数量等统计性特征分析了对中国地区Internet的情况，很少有从采集角度对内容层面的特征进行深入分析。本文首先使用对比分析的方式对中国地区Internet资源特征进行总结，然后探讨了利用RSS和网络资源监控软件采集中国地区Internet网站的可能性。 　　2 中国地区Internet特性分析 　　中国地区Internet内容的采集受一系列因素的影响，包括：网站及网页数量，区域分布，语言和编码， web文档数据格式、报纸、新闻机构、教育和科研机构门户网站，开放出版物，社交网络等。文献[1-4]已对这些因素进行了分析，在此不再赘述。然而网站内容的访问往往并不是通过直接输入URL地址实现的，而是依赖于搜索引擎及网站的索引。而不同搜索引擎在不同国家地区Internet覆盖情况取决于搜索引擎所属国家、托管网站搜索国家以及网站的类型（如商业、政府、组织、大学网站等）[5，6]。文献[7，8]提出了对搜索引擎索引的评价及其可视化方法。鉴于现有研究成果，在对中国地区Internet特性进行分析师，除合理使用文献提供的数据外，还应将中国地区Internet与其他国家地区Internet 进行比较，使用对比的方法发现中国地区Internet不同于其他国家和地区的独特特性。 　　2.1 网站数量 　　由文献[4]提供的数据可知，2010年底中国地区网站总量为191万，到了2015年底网站数量达到423万。中国不同区域网站分布情况如图4所示。其中横轴表示区域，纵轴表示网站数量。由图可知，广东省的网站数最多约67.1万，占总量的15.9%，而西藏的网站数最少仅为1000。 　　截止2016年9月全球网站总数为10.8亿，根据Web服务器的监测显示其中活跃的网站数量约为1.73亿。由此可以看出，中国地区网站仅占世界活跃网站总数的2.4%左右。而国土面积远小于中国的乌克?m地区，其拥有网站532万，占世界活跃网站总数的30.7%左右。 　　2.2 网页数量 　　2006年5月搜索引擎baidu为用户提供了超7.4亿次网页访问，而到2015年底网页数量达到了2123亿。中国各地区网页的分布情况如图5所示，其中横轴表示区域，纵轴表示网页数量。由图可知，北京市网页数量最多远超850亿（其中静态网页500亿，动态网页340亿），青海网页数量最少约为3400万（其中静态网页2000万，动态网页1300万）。全国超2120亿的网页中，静态网页1310亿，动态网页800亿，两者的比值约为1.63。具体到中国某区域时，这一比值分别从重庆