Применение Python для сбора и предобработки данных цифрового следа

Про цифровой след обычно говорят лишь в общих чертах, и описание программирования для работы с ним лишь упоминают. В данной статье рассмотрен набор библиотек Python и приемов, которые можно использовать для сбора и предобработки данных цифрового следа.

Понятие «Цифровой след»

Юридически понятие «цифровой след» не зафиксировано, в литературе он описывается как данные про конкретного человека, так и данные про организацию или событие. Однако чаще имеются в виду именно информация о людях.

В 2022 году в России был принят профессиональный стандарт специалиста по моделированию, сбору и анализу данных цифрового следа — Профстандарт 06.046 | Специалист по моделированию, цифрового следа | Профессиональные стандарты 2023. В этом документе также говорится про данные о человеке:

Таким образом, цифровой след представляет собой данные в интернете, относящиеся к конкретному объекту, которым чаще всего выступает человек. Важно иметь в виду законы о защите персональных данных и интеллектуальной собственности при работе с цифровым следом. В этой статье рассмотрен сбор данных из интернета со стороны закона.

Этапы сбора и предобработки цифрового следа

Логичным способом собирать цифровой след программными инструментами является программирование подобной человеку логики работы с общедоступными данными. Люди ищут и собирают информацию про что-то конкретное через поиск, а далее, изучая страницы в интернете, выбирают информацию, где говорится про то, что их интересует.

Предобработка зависит от конкретной цели дальнейшей работы и типа собранных данных. Предобработка текста может включать в себя очистку от ненужных символов и токенизацию — разделение текста на слова/знаки/символы. Предобработка чисел — обработку пропусков и нормализацию. Предобработка изображения — простое форматирование.

Таким образом, основными этапами сбора и предобработки данных цифрового следа являются:

1. Отправка HTTP-запроса веб-серверу поисковика с упоминанием интересующего объекта;

   

2. Получение ссылки на страницу в интернете про интересующий объект из ответа веб-сервера, отправка HTTP-запроса для получения кода этой страницы;

   

3. Выбор из полученного кода страницы интересующей информации: либо вручную настроенный сбор данных из определенных сегментов страницы, либо проверка на упоминание объекта в тексте, и сбор таких предложений;

   

4. Предобработка данных цифрового следа:

• Текст: очистка, токенизация;

• Числа: обработка пропусков, нормализация;

• Изображения: простое форматирование.

Библиотеки Python для сбора и предобработки цифрового следа

Сбор данных в интернете посредством программ называется парсингом, существуют различные библиотеки Python для этого. Очень простыми для начинающих являются «Requests» и «Beautiful Soup». Вот статья на эту тему. При работе с цифровым следом выполняются схожие действия, просто дополнительно нужно искать и выбирать информацию про один интересующий объект.

1. Отправку HTTP-запроса веб-серверу поисковика с упоминанием интересующего объекта можно выполнить с помощью библиотеки «Requests«. Нужно указать объект в запросе, в примере он указан в URL-адресе.

   

2. Получение ссылки на страницу в интернете про интересующий объект из ответа веб-сервера можно выполнить с помощью «Beautiful Soup» — сохранить атрибут «href» тега «a», который отправляет на новую страницу. Далее отправку HTTP-запроса для получения кода этой страницы можно сделать с помощью «Requests«.

   

3. Выбор из полученного кода страницы интересующей информации можно сделать либо вручную с помощью поиска сегмента «Beautiful Soup«, либо можно проверить упоминание объекта в тексте через проверку в цикле и использование встроенной библиотеки «String«.

   

4. Предобработка данных цифрового следа:

• Текст: для простой очистки можно использовать встроенную библиотеку «String«, для токенизации (разбиения текста на единицы) удобно использовать «NLTK«.

• Числа: для обработки пропусков можно использовать «NumPy» — удалять пропущенные значения или заменять их на среднее или медианное, для нормализации можно использовать «Scikit-learn«, «Pandas».

• Изображения: можно выполнять простое форматирование с помощью библиотеки «Pillow«.