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(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、近年來,隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,互聯(lián)網(wǎng)已經(jīng)從各方面影響著人們的工作和生活。為了更好的使用互聯(lián)網(wǎng)資源,搜索引擎應(yīng)運(yùn)而生。但是傳統(tǒng)的通用搜索引擎存在著網(wǎng)絡(luò)覆蓋率低、查準(zhǔn)率差、錯(cuò)誤導(dǎo)航等諸多問題,因此又出現(xiàn)了針對某一特定領(lǐng)域提供檢索服務(wù)的垂直搜索引擎。在學(xué)術(shù)領(lǐng)域,為了充分利用研究機(jī)構(gòu)與研究人員等通過網(wǎng)絡(luò)共享的大量學(xué)術(shù)資源,有不少針對學(xué)術(shù)領(lǐng)域的垂直搜索引擎也相繼出現(xiàn)。但是,由于更新時(shí)間滯后、瀏覽與下載權(quán)限控制和時(shí)效性較差等原因,目前還沒有出現(xiàn)
2、類似通用的Google搜索引擎那樣使用率非常高的面向?qū)W術(shù)領(lǐng)域的垂直搜索引擎。
針對以上實(shí)際情況,本文研究并實(shí)現(xiàn)了一個(gè)新的面向?qū)W術(shù)領(lǐng)域的垂直搜索引擎,基于Nutch實(shí)現(xiàn)的該學(xué)術(shù)搜索引擎能夠?yàn)橛脩籼峁r(shí)效性較強(qiáng)且與主題較相關(guān)的檢索結(jié)果,并通過用戶定制功能保證了系統(tǒng)的更新頻率。本文的主要工作包括以下幾個(gè)方面:
(1)為了保證信息搜集范圍的廣泛性,本文的學(xué)術(shù)搜索引擎在爬取模塊采用了全網(wǎng)爬取的方式,這打破了一些面向?qū)W術(shù)領(lǐng)域的搜
3、索引擎僅針對部分學(xué)術(shù)網(wǎng)站進(jìn)行信息搜集的局限性。在全網(wǎng)爬取的前提下,本文為學(xué)術(shù)搜索引擎實(shí)現(xiàn)了主題爬取功能。主題爬取模塊引入了網(wǎng)頁主題相關(guān)性過濾機(jī)制,采用了一種基于語義引力的相似度計(jì)算方法,該算法通過計(jì)算網(wǎng)頁與主題相關(guān)詞的相似程度,來判定網(wǎng)頁與主題的相關(guān)程度。這種在爬取階段就進(jìn)行主題判斷的方式,是目前實(shí)現(xiàn)垂直搜索引擎的最佳方式。全網(wǎng)環(huán)境下的主題爬取模塊的實(shí)現(xiàn),既保證了所搜集網(wǎng)頁的主題相關(guān)性,又使得本文的學(xué)術(shù)搜索引擎具備了發(fā)現(xiàn)互聯(lián)網(wǎng)中新的主題
4、相關(guān)網(wǎng)站的能力。
(2)在解析模塊,本文實(shí)現(xiàn)了基于模板的通用網(wǎng)頁解析器,該解析器克服了解析模板對網(wǎng)頁和網(wǎng)站結(jié)構(gòu)的依賴性,實(shí)現(xiàn)了模板創(chuàng)建過程的半自動(dòng)化,因此它具有一定的通用性。此外,該模板解析器可以通過定制解析來定向收集用戶感興趣的網(wǎng)頁信息(如網(wǎng)頁更新時(shí)間),因此該模板解析器能夠被定制以應(yīng)用于不同的搜索引擎之中。
(3)本文成功的完成了Nutch原有的Lucene索引結(jié)構(gòu)的重新構(gòu)建,為學(xué)術(shù)搜索引擎的索引文件添加了自定義
5、的date域,并在檢索模塊實(shí)現(xiàn)了基于該時(shí)間域的排序方法,從而為學(xué)術(shù)搜索引擎添加了按網(wǎng)頁時(shí)效性進(jìn)行檢索的功能。此外,檢索模塊還實(shí)現(xiàn)了綜合考慮網(wǎng)頁內(nèi)容重要性和網(wǎng)頁鏈接重要程度的排序方法,克服了一些面向?qū)W術(shù)領(lǐng)域的搜索引擎在排序方面的不足。
(4)用戶定制模塊實(shí)現(xiàn)了管理和配置整個(gè)學(xué)術(shù)搜索引擎的功能,實(shí)現(xiàn)了系統(tǒng)運(yùn)行參數(shù)、種子URL的可視化配置,并允許用戶通過關(guān)鍵詞定制和篩選種子URL。此外,該部分還提供了種子URL推薦功能,用戶可以向?qū)W
6、術(shù)搜索引擎推薦新的種子URL。在配置完成后,用戶可以通過用戶定制模塊直接運(yùn)行學(xué)術(shù)搜索引擎,這種易用性使得用戶可以根據(jù)實(shí)際需要確定系統(tǒng)的更新頻率,從而保證了檢索信息的時(shí)效性。
經(jīng)過實(shí)際部署與應(yīng)用的基于Nutch的學(xué)術(shù)搜索引擎取得了預(yù)期的效果,通過分析學(xué)術(shù)搜索引擎的檢索結(jié)果,驗(yàn)證了引擎系統(tǒng)各個(gè)模塊的主要功能。用戶可以通過學(xué)術(shù)搜索引擎檢索到與自己關(guān)注領(lǐng)域更相關(guān)且時(shí)效性更強(qiáng)的資訊信息。同時(shí),基于Nutch的學(xué)術(shù)搜索引擎還具有良好的擴(kuò)展
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(huì)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(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)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
- 基于Nutch的垂直搜索引擎研究與實(shí)現(xiàn).pdf
- 基于Nutch的可信搜索引擎研究與實(shí)現(xiàn).pdf
- 基于Nutch的企業(yè)搜索引擎的研究與實(shí)現(xiàn).pdf
- 基于nutch的農(nóng)業(yè)垂直搜索引擎研究與實(shí)現(xiàn)
- 基于Nutch的搜索引擎系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于Nutch的垂直搜索引擎的分析與實(shí)現(xiàn).pdf
- 基于Nutch的搜索引擎排序算法的研究與實(shí)現(xiàn).pdf
- 基于Nutch搜索引擎的中文分詞算法研究與實(shí)現(xiàn).pdf
- 基于Nutch的智能語義搜索引擎.pdf
- 基于Nutch的中文主題搜索引擎的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于Nutch的學(xué)校信息垂直搜索引擎的研究與實(shí)現(xiàn).pdf
- 基于Nutch的職位信息搜索引擎的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于nutch海關(guān)主題搜索引擎的研究與設(shè)計(jì)
- 基于Nutch的維文與哈文搜索引擎的研究與實(shí)現(xiàn).pdf
- 基于Nutch的農(nóng)業(yè)垂直搜索引擎的研究.pdf
- 基于Nutch的科技主題搜索引擎Crawler的研究與實(shí)現(xiàn).pdf
- 基于Nutch的圖情博客搜索引擎的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于Nutch的醫(yī)學(xué)領(lǐng)域垂直搜索引擎系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 基于Nutch的科技項(xiàng)目主題搜索引擎研究.pdf
- 基于Hadoop的Nutch分布式搜索引擎研究與實(shí)現(xiàn).pdf
評論
0/150
提交評論