版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、網(wǎng)絡(luò)爬蟲技術(shù)淺析分類:java網(wǎng)絡(luò)爬蟲2012081815:091641人閱讀評論(0)收藏舉報網(wǎng)絡(luò)爬蟲搜索引擎url算法服務(wù)器數(shù)據(jù)庫在萬維網(wǎng)飛速發(fā)展的網(wǎng)絡(luò)背景下,搜索引擎在人們的生活工作中無疑扮演著重要的角色,而網(wǎng)絡(luò)爬蟲則是搜索引擎技術(shù)的最基礎(chǔ)部分。一、網(wǎng)絡(luò)爬蟲概述在搜索引擎成為主流檢索工具的今天,互聯(lián)網(wǎng)上的網(wǎng)絡(luò)爬蟲各式各樣,但爬蟲爬取網(wǎng)頁的基本步驟大致相同:1)人工給定一個URL作為入口,從這里開始爬取。萬維網(wǎng)的可視圖呈蝴蝶型,網(wǎng)絡(luò)
2、爬蟲一般從蝴蝶型左邊結(jié)構(gòu)出發(fā)。這里有一些門戶網(wǎng)站的主頁,而門戶網(wǎng)站中包含大量有價值的鏈接。2)用運行隊列和完成隊列來保存不同狀態(tài)的鏈接。對于大型數(shù)據(jù)量而言,內(nèi)存中的隊列是不夠的,通常采用數(shù)據(jù)庫模擬隊列。用這種方法既可以進行海量的數(shù)據(jù)抓取,還可以擁有斷點續(xù)抓功能。3)線程從運行隊列讀取隊首URL,如果存在,則繼續(xù)執(zhí)行,反之則停止爬取。4)每處理完一個URL,將其放入完成隊列,防止重復(fù)訪問。5)每次抓取網(wǎng)頁之后分析其中的URL(URL是字符
3、串形式,功能類似指針),將經(jīng)過過濾的合法鏈接寫入運行隊列,等待提取。6)重復(fù)步驟3)、4)、5)。1.1網(wǎng)頁搜索策略萬維網(wǎng)高闊無邊,為了最大限度利用有限的資源,我們需要進行資源配置,并運用某些策略使爬蟲優(yōu)先爬取重要性較高的網(wǎng)頁。另外,還有一種常用于聚焦爬蟲的網(wǎng)頁搜索策略——最佳優(yōu)先策略。最佳優(yōu)先,即按照某種網(wǎng)頁分析算法預(yù)測候選URL與目標網(wǎng)頁的相似度,或主題的相關(guān)性,并選取其中評價最好的一個或幾個URL進行進一步的爬取。這種策略的缺陷是
4、可能會有很多相關(guān)網(wǎng)頁被忽略,但相對的,這種策略可以將無關(guān)網(wǎng)頁數(shù)量降低30%—90%。1.2對URL的獲取和處理網(wǎng)絡(luò)爬蟲訪問的是后臺html代碼,它分析出URL之后,對其進行過濾并將結(jié)果放入運行隊列。在取得URL時要提防一種“爬蟲陷阱”。因為即使一個URL能訪問到相應(yīng)內(nèi)容,也不能保證服務(wù)器端有一個相應(yīng)頁面存在,例如動態(tài)網(wǎng)頁的應(yīng)用可能會使網(wǎng)站中存在一些無法窮盡的地址,讓爬蟲在一個位置上無限循環(huán)而無法終結(jié)。針對“爬蟲陷阱”,其中一種應(yīng)對方法是
5、:檢查URL長度(或“”的數(shù)量),一旦超出某個閾值就不再獲取。鏈接過濾處理涉及兩個數(shù)組,第一個是“必須存在的關(guān)鍵字”組。分析鏈接時,鏈接中必須存在這個數(shù)組中所有關(guān)鍵字(例如關(guān)鍵字為和index,則index符合要求而html不符合要求)。另一個是“不可存在的關(guān)鍵字”組。分析鏈接時,鏈接中必須不存在這個數(shù)組中任何一個關(guān)鍵字(例如關(guān)鍵字為index,則index不符合要求)。對關(guān)鍵字的過濾方法包括以下兩種:1)只取得包含給定關(guān)鍵字的鏈接,這
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 網(wǎng)絡(luò)爬蟲技術(shù)分析
- 網(wǎng)絡(luò)爬蟲
- 網(wǎng)絡(luò)蜘蛛,網(wǎng)絡(luò)爬蟲
- 網(wǎng)絡(luò)爬蟲文檔
- 網(wǎng)絡(luò)爬蟲詳解
- 基于網(wǎng)絡(luò)爬蟲技術(shù)的網(wǎng)絡(luò)新聞分析
- 爬蟲技術(shù)
- 網(wǎng)絡(luò)爬蟲外文翻譯---基于網(wǎng)絡(luò)爬蟲的有效url緩存
- 網(wǎng)絡(luò)爬蟲源代碼
- 主題網(wǎng)絡(luò)爬蟲關(guān)鍵技術(shù)研究.pdf
- 基于hadoop的網(wǎng)絡(luò)爬蟲技術(shù)研究.pdf
- 基于網(wǎng)絡(luò)爬蟲的XSS漏洞檢測技術(shù).pdf
- 基于Hadoop的分布式網(wǎng)絡(luò)爬蟲技術(shù).pdf
- 并行網(wǎng)絡(luò)爬蟲技術(shù)及實驗系統(tǒng)研究.pdf
- 網(wǎng)絡(luò)爬蟲源代碼07236
- python網(wǎng)絡(luò)爬蟲實習報告
- 網(wǎng)絡(luò)爬蟲源代碼07320
- 網(wǎng)絡(luò)爬蟲java實現(xiàn)原理
- python網(wǎng)絡(luò)爬蟲實習報告
- 用python編寫網(wǎng)絡(luò)爬蟲
評論
0/150
提交評論