基于Chrome瀏覽器插件的爬蟲系統(tǒng).pdf

1、隨著大數(shù)據(jù)時(shí)代的來臨，網(wǎng)絡(luò)信息以“爆炸”的方式增長，以新浪微博為例，其日均微博更新多達(dá)1.2億條，但在信息空前豐富的前提下，用戶獲取自己需要數(shù)據(jù)的難度也日趨增加。傳統(tǒng)搜索引擎如百度、Google等提供的零散結(jié)果已經(jīng)不能滿足用戶的需求，人們不論在專業(yè)數(shù)據(jù)分析還是在日常生活方面更需要的是經(jīng)過有效整合的數(shù)據(jù)，整合互聯(lián)網(wǎng)數(shù)據(jù)要使用網(wǎng)絡(luò)爬蟲技術(shù)。然而目前常用的網(wǎng)絡(luò)爬蟲系統(tǒng)開發(fā)難度大，穩(wěn)定性差并且使用不友好，已經(jīng)不能滿足當(dāng)今用戶的需求，因此研究設(shè)計(jì)

2、一種開發(fā)擴(kuò)展簡單，穩(wěn)定性高，適用范圍廣以及使用友好的網(wǎng)絡(luò)爬蟲系統(tǒng)具有非常重要的價(jià)值。
　　本文先研究了國內(nèi)外現(xiàn)有網(wǎng)絡(luò)爬蟲技術(shù)、網(wǎng)絡(luò)爬蟲系統(tǒng)和反爬蟲策略的現(xiàn)狀，分析了現(xiàn)有網(wǎng)絡(luò)爬蟲系統(tǒng)實(shí)現(xiàn)過程復(fù)雜、穩(wěn)定性差和使用不友好的原因，并且基于此提出了基于Chrome擴(kuò)展的網(wǎng)絡(luò)爬蟲系統(tǒng)。其次，為了滿足不同的需求和發(fā)揮互聯(lián)網(wǎng)的優(yōu)勢，提出了在基于Chrome擴(kuò)展的網(wǎng)絡(luò)爬蟲系統(tǒng)中實(shí)現(xiàn)兩種信息抓取模塊，分別是個(gè)人版信息抓取模塊和服務(wù)器版信息抓取模塊。最

3、后，為了支持個(gè)人版信息抓取模塊對中央服務(wù)器模塊的高并發(fā)性需求，提出了基于Netty框架實(shí)現(xiàn)的中央服務(wù)器模塊和采用主從庫配置的數(shù)據(jù)庫模塊，并且為了在有更多新需求的情況下中央服務(wù)器模塊能夠更好的進(jìn)行擴(kuò)展，本文采用了面向接口編程并且引入了Spring框架來管理中央服務(wù)器模塊的類之間的依賴。
　　本文設(shè)計(jì)和實(shí)現(xiàn)的網(wǎng)絡(luò)爬蟲系統(tǒng)，不僅開發(fā)過程容易，擴(kuò)展方便，支持網(wǎng)頁類型多——包括普通靜態(tài)網(wǎng)頁、異步加載網(wǎng)頁和動態(tài)生成信息，而且個(gè)人版信息抓取模塊