| تعداد نشریات | 62 |
| تعداد شمارهها | 2,323 |
| تعداد مقالات | 19,157 |
| تعداد مشاهده مقاله | 61,583,446 |
| تعداد دریافت فایل اصل مقاله | 31,231,191 |
استفاده از انتخابگرهای پویا و هوش مصنوعی برای مقاوم سازی کدهای بازیابی اطلاعات وب | ||
| فصلنامه بازیابی دانش و نظامهای معنایی | ||
| مقاله 1، دوره 13، شماره 46، فروردین 1405، صفحه 1-24 اصل مقاله (2.15 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/jks.2026.89870.1753 | ||
| نویسندگان | ||
| فرناز تقی زاده کورایم1؛ محمدرضا کاباران زاد قدیم* 2؛ سیدعبداله امین موسوی3 | ||
| 1گروه مدیریت فناوری اطلاعات، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 3گروه مدیریت فناوری اطلاعات، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| چکیده | ||
| امروزه پایداری و تابآوری کدهای برداشت اطلاعات از وب یکی از چالشهای اصلی در حوزه مهندسی نرمافزار و دادهکاوی است، بهویژه زمانی که وبسایتهای هدف از ساختارهای پویا استفاده میکنند. کتابخانه سلنیوم بهعنوان یکی از پرکاربردترین ابزارهای برداشت اطلاعات وب، در بسیاری از پروژههای صنعتی و پژوهشی مورد استفاده قرار میگیرد، اما حساسیت بالای آن نسبت به تغییر عناصر صفحه اغلب منجر به بروز خطا، توقف سیستم و نیاز به اصلاحات مکرر کد میشود. این پژوهش با ارائه روش نوین مبتنی بر استفاده همزمان از «انتخابگرهای پویا» و یک لایه تصمیمگیری مبتنی بر هوش مصنوعی، رویکردی کاربردی، قابل اعتماد و منعطف برای مقاومسازی کدهای سلنیوم ارائه میدهد. در این مطالعه، برداشت اطلاعات از وبسایت دیجیکالا در بازه زمانی دو ساله، با تناوب هفتگی انجام شد. روش پیشنهادی با تحلیل رفتار المانهای صفحه، بهطور خودکار انتخابگرهای مناسب را جایگزین و در صورت خطا از چندین استراتژی هوشمند استفاده میکند. این رویکرد پایداری و اطمینان اجرای سلنیوم را در برابر تغییرات سایت افزایش داده و میتواند الگویی کارآمد برای سامانههای جمعآوری داده از وب در محیطهای پویا باشد. نتایج تجربی نشان داد هنگامی که از روش پیشنهادی جهت انتخاب خودکار و هوشمند المانهای HTML استفاده شد، تمامی برداشتها بدون خطا و بدون نیاز به تغییر دستی کد انجام شدند. اما هنگام عدم استفاده از این روش، 67 برداشت نیازمند اصلاح مستقیم انتخابگرهای کد توسط توسعهدهنده بودند. این اختلاف عملکرد نشان میدهد که استفاده از مدل ارائهشده باعث کاهش چشمگیر هزینه نگهداری، زمان توسعه و ریسک شکست اجرای عملیات استخراج داده میشود. | ||
| کلیدواژهها | ||
| بازیابی اطلاعات از بستر وب؛ ساختار HTML صفحات وب؛ کتابخانه سلنیوم؛ مقاوم سازی کدهای HTML؛ هوش مصنوعی | ||
| مراجع | ||
|
تقیزادهکورایم، فرناز، کابارانزادقدیم، محمدرضا و موسوی، سید عبداله امین. (1403). سازوکاری برای مدیریت زمان و افزایش دقت اطلاعات هنگام استفاده از کتابخانه سلنیوم. بازیابی دانش و نظامهای معنایی، 41(11)، 204-225. https://doi.org/10.22054/jks.2024.80235.1660
References
Coppola, R., Feldt, R., Nass, M., & Alégroth, E. (2025). Ranking approaches for similarity-based web element location. Journal of Systems and Software, 222, Article 112286. https://doi.org/10.1016/j.jss.2024.112286
Degaki, R. H., Colonna, J. G., Lopez, Y., Carvalho, J. R., & Silva, E. (2022, November). Real time detection of mobile graphical user interface elements using convolutional neural networks. In Proceedings of the Brazilian Symposium on Multimedia and the Web (pp. 159–167). ACM. https://doi.org/10.1145/3539637.3558044
Healenium. (2025). Healenium [Open-source project]. GitHub. https://github.com/healenium
Khaliq, Z., Khan, D. A., & Farooq, S. U. (2023). Using deep learning for selenium web UI functional tests: A case-study with e-commerce applications. Engineering Applications of Artificial Intelligence, 117, Article 105446. https://doi.org/10.1016/j.engappai.2022.105446
Kirinuki, H., Tanno, H., & Natsukawa, K. (2019, February). COLOR: Correct locator recommender for broken test scripts using various clues in web application. In 2019 IEEE 26th International Conference on Software Analysis, Evolution and Reengineering (SANER) (pp. 310–320). IEEE. https://doi.org/10.1109/SANER.2019.8667976
Kluge, A., & Stocco, A. (2025). Web element relocalization in evolving web applications: A comparative analysis and extension study. arXiv. https://doi.org/10.48550/arXiv.2505.16424
Nass, M., Alégroth, E., & Feldt, R. (2024). Improving web element localization by using a large language model. Software Testing, Verification and Reliability, 34(7), Article e1893. https://doi.org/10.1002/stvr.1893
Nass, M., Alégroth, E., Feldt, R., Leotta, M., & Ricca, F. (2023). Similarity-based web element localization for robust test automation. ACM Transactions on Software Engineering and Methodology, 32(3), 1–30. https://doi.org/10.1145/3571855
Saarathy, S. C. P., Bathrachalam, S., & Rajendran, B. K. (2024). Self-healing test automation framework using AI and ML. International Journal of Strategic Management, 3(3), 45–77. https://doi.org/10.47604/ijsm.2843
Shayan Daneshvar, S., & Wang, S. (2024). GUI element detection using SOTA YOLO deep learning models. arXiv. https://doi.org/10.48550/arXiv.2408.03507
Taghizadeh Kourayem, F., Kabaranzad Ghadim, M., & Mousavi, S. A. A. (2024). A mechanism to manage time and increase data accuracy when using the Selenium library. Knowledge Retrieval and Semantic Systems, 11(41), 204–225. https://doi.org/10.22054/jks.2024.80235.1660 [In Persian] | ||
|
آمار تعداد مشاهده مقاله: 135 تعداد دریافت فایل اصل مقاله: 5 |
||