上篇文章讲到如何爬取豆瓣官网的电影和书籍类别数据,本篇文章将学习如何利用爬取的数据,构建知识图谱所需的三元组。主要内容包括如何从Json类型的数据,转换成RDF数据。数据链接: https://pan.baidu.com/s/1cLdsAXLGH2akJqMIsGdoig 提取码: n97y。

实践之前,请自主学习相关背景知识。

  • 语义网络, 语义网, 链接数据, 知识图谱是什么。
  • RDF, RDFS, OWL, Protege, 本体构建。
  • MySQL数据库, pymysql。
  • D2rq。

1.数据清洗

  • 电影信息包括电影id、图片链接、名称、导演名称、编剧名称、主演名称、类型、制片国家、语言、上映日期、片长、季数、其他名称、剧情简介、评分、评分人数,共67245条数据信息。虽说是电影信息,但其中也包括电视剧、综艺、动漫、纪录片、短片。
  • 电影演员信息包括演员id、姓名、图片链接、性别、星座、出生日期、出生地、职业、更多中文名、更多外文名、家庭成员、简介,共89592条数据信息。这里所指的演员包括电影演员、编剧、导演。
  • 书籍信息包括书籍id、图片链接、姓名、子标题、原作名称、作者、译者、出版社、出版年份、页数、价格、内容简介、目录简介、评分、评分人数,共64321条数据信息。
  • 书籍作者信息包括作者id,姓名、图片链接、性别、出生日期、国家、更多中文名、更多外文名、简介,共6231条数据信息。这里作者包括书籍作者和译者。

上述为我们爬取的数据类别,但数据有很多噪音,比如中文电影名称会外接英文电影名称、某些类型数据严重缺失、数据格式不统一等等,这就需要我们根据具体数据进行具体分析。此处需要多搬搬砖,没什么技术,不多讲。

2. Json2MySQL

首先我们将json类型的数据存储到MySQL之中,这里共构建了13个表,包含

  • movie_genre: 包含movie_genre_id, movie_genre_name属性,表示movie类别信息。
  • movie_info: 包含movie_info_id, movie_info_name, movie_info_image_url, movie_info_country, movie_info_language, movie_info_pubdate, movie_info_duration, movie_info_other_name, movie_info_summary, movie_info_rating, movie_info_review_count属性,表示movie信息。
  • movie_person: 包含movie_person_id, movie_person_name, movie_person_image_url, movie_person_gender, movie_person_constellation, movie_person_birthday, movie_person_birthplace, movie_person_profession, movie_person_other_name, movie_person_introduction属性,表示movie_person信息。
  • movie_to_gender: 包含movie_info_id, movie_genre_id属性,设置两个外键,分别关联到movie_info表和movie_genre表,表示movie到genre的关联。
  • actor_to_movie: 包含movie_info_id, movie_actor_id属性,设置两个外键,分别关联到movie_info表和movie_person表,表示movie到actor的关联。
  • writer_to_movie: 包含movie_info_id, movie_writer_id,设置两个外键,分别关联到movie_info表和movie_person表,表示movie到writer的关联。
  • director_to_movie: 包含movie_info_id, movie_director_id,设置两个外键,分别关联到movie_info表和movie_person表,表示movie到director的关联。
  • 同理,根据图书信息构建book_genre, book_info, book_person_info, book_to_genre, author_to_book, translator_to_book表。

表构建好之后,利用pymysql将Json类型数据导入到MySQL之中。

3. RDB2RDF

我们已经将Json类型的数据导入到关系型数据库(RDB) MySql之中,现在问题是怎么将RDB Data转换成RDF。转换之前,我们先根据数据构建本体。

3.1 本体构建

什么是本体?本体有点哲学的含义,在计算机领域,可以理解为一种模型,用于描述由一套对象类型(概念或者说类)属性以及关系类型所构成的世界。此处我们使用Protege进行本体建模。

首先下载protege,下载链接为https://protege.stanford.edu/。安装完成之后,新建class,如果没有的话,在window->Tabs->Classes寻找。根据MySQL之中构建的表,此处构建相应的类,如下所示。红色箭头表示的是构建子类,右边图标指的是构建兄弟类,最右边指的是删除当前类。

298万条三元组生成方法图片01.png

类构建完成之后,进行构建对象属性,共包含

  • has_movie_genre: domains为movie_info, ranges为movie_genre,表示某电影有某类别。
  • has_book_genre: domains为book_info, ranges为book_genre,表示某书籍有某类别。
  • has_actor: domains为movie_info, ranges为movie_actor,表示某电影有某演员。和has_acted_in为互逆关系。
  • has_acted_in: domains为movie_actor, ranges为movie_info,表示某演员出演了某电影。和has_actor为互逆关系。
  • 同理has_writer, has_writed_in, has_director, has_directed_in, has_author, has_authored_in, has_translator, has_translator_in构建方法相同。

298万条三元组生成方法1图片02.png

对象属性构建完成之后,进行构建数据属性。数据属性构建比较简单,指明数据类别和值类别即可。

298万条三元组生成方法1图片03.png

构建完成之后,可以通过OntoGrap看到关系图。可以去window->Tabs->OntoGrap寻找OntoGrap。

298万条三元组生成方法1图片04.png

最后通过File->Save as保存成Turtle Syntax形式,命名为douban_kgqa_ontology.owl

3.2 D2RQ

RDB转换成RDF有两种方式,一是direct mapping,即直接映射。规则为

  • 数据库的表作为本体中的类(Class)。
  • 表的列作为属性(Property)。
  • 表的行作为实例/资源。
  • 表的单元格值为字面量。
  • 如果单元格所在的列是外键,那么其值为IRI,或者说实体/资源。

但实际中,我们很少使用这种方法,因为不能把RDB中数据映射到我们定义的本体上面。因此我们采用另外一种方法,R2RDF(RDB to RDF Mapping Language),链接为https://www.w3.org/TR/r2rml/。下面我们使用D2RQ工具将RDB数据转换到RDF形式。

D2RQ提供了自己的mapping language,其形式和R2RML类似,具体语法链接为https://www.w3.org/TR/2004/REC-owl-features-20040210/。D2RQ有一个比较方便的地方,可以根据已定义的数据库自动生成预定义的mapping文件,用户可以在mapping文件上修改,把数据映射到自己的本体上。

首先下载D2RQ文件,链接为http://d2rq.org/,进入到目录之中,利用下列命令生成douban_kgqa_mapping.ttl文件。

mac, linux系统命令为

./generate-mapping -u root -p 123456 -o douban_kgqa_mapping.ttl jdbc:mysql:///douban_kgqa

windows系统命令为

generate-mapping.bat -u root -o douban_kgqa_mapping.ttl jdbc:mysql:///douban_kgqa

参数解读:root是mysql用户名,123456是root密码,douban_kgqa_mapping.ttl是输出文件名称,douban_kgqa是MySQL数据库名称。注:如果Mac用户如果提示permission denied, 可以用chmod改变访问权限,chmod 777 generate-mapping。

现在根据我们的MySQL数据库已经生成了默认的douban_kgqa_mapping.ttl文件,然后根据douban_kgqa_ontology.owl中定义的本体修改douban_kgqa_mapping.ttl文件。修改规则如下

  • idlabel属性删除,因为我们不需要这两个属性。
  • 修改类型值,将vocab:xxxx修改为我们owl文件中定义的类。例如将d2rq:class vocab: movie_genre;修改为d2rq:class :movie_genre;

3.3 D2RQ RDF

利用下列命令将数据转换成我们需要的RDF数据。

mac, linux命令为

./dump-rdf -o douban_kgqa.nt ./douban_kgqa_mapping.ttl

windows命令为

.dump-rdf -o douban_kgqa.nt .douban_kgqa_mapping.ttl

参数解读:douban_kgqa_mapping.ttl是我们修改后的mapping文件,其支持导出的RDF格式有TURTLE, RDF/XML, RDF/XML-ABBREV, N3, N-TRIPLE,N-TRIPLE是默认的输出格式。

利用下列命令,我们能够在http://localhost:2020/上进行SPARQL数据查询,有兴趣的读者可以尝试一下。

./d2r-server ./douban_kgqa_mapping.ttl

最后查看一下我们生成的RDF数据,可以看到共298万行,前10行的数据格式。其实我们爬虫只运行了两天,数据还是太少,以后有空闲时间再更新更多数据。

298万条三元组生成方法1图片05.png

4.总结

本篇文章主讲了如何将Json数据存储到关系型数据库之中,Protege构建本体方法,如何将RDB数据转换成RDF类型数据。篇幅有限,下篇文章再讲如何将RDF数据转换成TDB数据并存储到Jena之中,如何利用Fuseki, SPARQL进行查询,如何自定义推理规则。欢迎关注公众号谓之小一阅读更多内容。

推广.png

文章目录