1. 引言
台湾问题有着相当特殊而复杂的历史背景，可以说是海内外中国人民的“历史共业”。为促进“一国两制”的基本国策尽快实行、早日实现大陆和台湾的统一，需对台湾海峡两岸的同胞开展宣传活动。对台宣传分为对内宣传和对台湾宣传两个方面。对内宣传是对大陆的干部群众进行对台方针、政策(“一国两制”)的教育，介绍台湾状况和两岸关系发展的情况，动员全社会都来关心、支持、促进祖国的统一大业早日实现。对台湾宣传的形式分为两类，一是对到大陆探亲、访友、经商的同胞进行面对面的宣传；二是通过新闻媒介向对岸宣传。宣传的内容包括介绍大陆对台湾的政策，如“一国两制”，介绍40年来大陆发生的变化和取得的成就、风土人情、名胜古迹等台湾民众关心、感兴趣的情况。对台宣传政策性很强，需严格把握宣传用语 [1] [2] 。
我国目前针对涉台宣传等制定了一系列的法律法规，如《关于正确使用涉台宣传用语的意见(系列)》、《中华人民共和国台湾同胞投资保护法》、《台湾海峡两岸间航运管理办法》、《中国专利局关于指定首批专利代理机构代理台湾法人来大陆申请专利的通知》、《劳动部关于颁发“台湾和香港、澳门居民在内地就业管理规定”的通知》、《关于台湾记者来祖国大陆采访的规定》等涉及经济、交流、人员往来、日常事务等方方面面数十个相关法律法规；同时，国家及各级政府自己的规章制度、解释办法与发言，让具体事务人员难以完全掌握，容易发生一定的谬误，在这信息大爆炸时代很容易导致影响巨大、难以挽回的影响 [3] [4] 。
Python是一种解释型脚本语言，自从20世纪90年代初Python语言诞生至今，它已被逐渐广泛应用于系统管理任务的处理和Web编程。从2004年以后，python的使用率呈线性增长。2011年1月，它被TIOBE编程语言排行榜评为2010年度语言，在2018年9月编程语言排名中仅次于Java和C语言，位列第三。
由于Python语言的简洁性、易读性以及可扩展性，在国外用Python做科学计算的研究机构日益增多，一些知名大学已经采用Python来教授程序设计课程。众多开源的科学计算软件包都提供了Python的调用接口，专用的科学计算扩展库如NumPy、SciPy和matplotlib，分别为Python提供快速数组处理、数值运算以及绘图功能。因此Python语言及其众多的扩展库所构成的开发环境十分适合工程技术、科研人员处理实验数据、制作图表，甚至开发科学计算应用程序。
Python爬虫技术简单易用，本文基于Python相关技术实现舌苔大数据抓取与处理(整体架构见图1)，对当前有迹可查的所有法律法规办法、部门规章、地方规定、权威解读等数据获取并分析处理，为相关事务同志提供涉台事务处理政策支持，为其所作涉台决定与处理方法符合国家的大政方针政策与各项规章制度，满足有关部门的关切。
2. 开发环境与数据获取
操作系统：Windows 7 professional X64
开发环境：Python 3.6.5
开发软件：PyCharm 2018.1
数据来源：从中国政府网(http://www.gov.cn)为基准(见图2)，调用该网站上的外部网站链接，逐步向下挖掘，使用爬虫技术共计抓取网站86,102个(已去重)，其中政府网站(gov.cn结尾)有18,134个 [5] 。本课题中，抓取所有的政府网站及中国政府网的23个主流媒体网站(去除百度)共计18,157个网站的下属页面(见图3)。
Figure 2. External web site links in the Chinese government website
图2. 中国政府网外部网站链接
Figure 3. Part of the web site information
图3. 部分抓取的网址信息
3. 抓取方法与流程
3.1. 抓取网址
本课题基于Python平台开发，使用其核心模块urllib从中国政府网开始，抓取相关外链，通过 urllib.request.urlopen方法获取页面数据后，使用正则表达式 ('((https|http)(:\/\/){0,1})www\.(([A-Za-z0-9-~]+)\.)+([A-Za-z])+(\/){0,1}(index\.([A-Za-z])+){0,9}\') [6] 识别出非本网站下属的链接，若该网址尚未保存则写入Access数据库中。抓取完本页后，使用该方法读取已抓取数据库中未访问的网址，进一步挖掘。为避免无穷抓取，选择抓取gov.cn结尾的政府网址(18,134个)。
3.2. 抓取单个网站所有页面
该功能模块中，调用requests库和re库findall函数，根据网址正则表达式匹配来挖掘相关页面，挖掘出所有本网站网址的下属链接及其内容，存储到数据库中，挖掘流程如图4。
3.3. 自然语言分词
自然语言分词(Chinese Word Segmentation)指的是将一个汉字序列切分成一个个单独的词，分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符，虽然英文也同样存在短语的划分问题，不过在分词处理中，中文比之英文要复杂、困难得多。
涉台词语较多，本课题使用jieba分词 [7] ，添加自定义的涉台关键词(从《关于正确使用涉台宣传用语的意见(系列)》中获取相关词语，包括“台湾”“台胞”“宝岛”“国台办”“台联”“台北”“中台办”“台海”“台语”“原住民”等)进行分词，进而将相关词语出现次数之和大于5次，则改文与台湾紧密相关，从而实现文本聚类。
Figure 4. Crawling process for all pages of a single website
图4. 单个网站所有页面抓取流程
3.4. 词云显示
词云由美国西北大学新闻学副教授、新媒体专业主任里奇·戈登(Rich Gordon)于近日提出，是对网络文本中出现频率较高的“关键词”予以视觉上的突出，形成“关键词云层”或“关键词渲染”，从而过滤掉大量的文本信息，使浏览网页者只要一眼扫过文本就可以领略文本的主旨。“词云”是有“级别”的，因为对某个需要突出与“渲染”的关键词，可以采用不同的字号——那么字体的粗细也就有了区别——在醒目程度上也就自然有所不同。而决定“词云”级别的唯一因素，显然就是其在文本中出现的频次。频次越高，级别越高 [8] 。
因此，抓取信息后附加词云显示，可以让用户能够更加清晰快速的发现文章主旨，提高办事效率。
本文采用基于Python的Wordcloud库来实现词云方法，如以下为2018年7月13日，中共中央总书记习近平在人民大会堂会见中国国民党前主席连战率领的台湾各界人士参访团时的讲话内容，使用词云显示的效果(见图5)，可以明显看出“两岸”、“同胞”、“共同”、“福祉”等词语为核心效果：
3.5. 内容架构
本文实现了网址获取、网站信息挖掘、自然语言分词、文本聚类、词云辅助显示等功能，整体内容架构如图6所示。
Figure 6. Taiwan-related big data content architecture
图6. 涉台大数据内容架构
4. 总结
本文介绍了基于Python的网页抓取、自然语言分词、词云等功能，实现了涉台数据获取与分析，经分类整理后，可为相关人员处理涉台事务时提供更为精准用语推荐(如：对“立法委员”，可称其为“台湾地区民意代表”等等)。下一步将使用关联规则和知识图谱，实现更加深入的文档挖掘、更加准确的文档分类、更加完善的内容推荐，为涉台工作提供切实有效的辅助工作。