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)行舉報或認(rèn)領(lǐng)
文檔簡介
1、與漢文相比,藏文信息處理技術(shù)發(fā)展較慢,加之缺乏支持藏文搜索引擎,互聯(lián)網(wǎng)上的藏文信息常常處于“孤立狀態(tài)”,給用戶的查找和獲取帶來較大的困難。因此,探討一種通過網(wǎng)絡(luò)采集藏文信息的方法,對于藏文研究者顯得尤為重要。
在分析了網(wǎng)頁采集流程、網(wǎng)絡(luò)爬蟲工作基本原理和主題網(wǎng)頁采集的相關(guān)知識的基礎(chǔ)上,對藏文網(wǎng)頁的采集方法進(jìn)行了深入研究:
1.對比分析藏文網(wǎng)頁的字體、藏文音節(jié)點(diǎn)、藏文高頻詞等區(qū)別于其他網(wǎng)頁的特征參數(shù),設(shè)計(jì)出適合于判斷藏
2、文網(wǎng)頁的相關(guān)算法。
2.探討了藏文主題爬蟲的關(guān)鍵技術(shù),如藏文分詞、主題判斷方法以及爬蟲的爬行策略等內(nèi)容,提出基于“導(dǎo)向詞”的藏文主題判斷方法。
3.研究Heritrix軟件,并通過對其關(guān)鍵模塊Extractor和Frontierscheduler的改進(jìn)和擴(kuò)展,實(shí)現(xiàn)“導(dǎo)向詞”算法的藏文主題信息網(wǎng)站的抓取;另外,運(yùn)用哈希算法,擴(kuò)展Queue-assignment-policy模塊,大大提升了爬蟲的采集效率。
4
3、.利用HTMLParse軟件對采集的新聞信息進(jìn)行提取,并將新聞的標(biāo)題、發(fā)布時間、來源、正文信息存入數(shù)據(jù)庫。
5.對采集的藏文網(wǎng)頁文本進(jìn)行編碼“歸一化”處理,轉(zhuǎn)化成國際標(biāo)準(zhǔn)的Unicode編碼。
利用上述研究結(jié)果,以網(wǎng)頁的查準(zhǔn)率和查全率為參考指標(biāo),對“導(dǎo)向詞”主題判斷算法的幾個闕值進(jìn)行了測試,根據(jù)測試的結(jié)果對中國西藏網(wǎng)進(jìn)行了網(wǎng)頁抓取,抓取的準(zhǔn)確率在62%左右。測試數(shù)據(jù)表明,研究結(jié)果對于藏文定題信息采集行之有效,具有較高
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(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
- 中文網(wǎng)頁定題采集及分類研究.pdf
- 網(wǎng)頁分類與信息采集方法研究.pdf
- 藏文網(wǎng)頁摘要自動生成系統(tǒng)的研究.pdf
- 面向主題的雙約束網(wǎng)頁采集方法的研究和實(shí)現(xiàn).pdf
- 藏文自動分詞技術(shù)方法研究.pdf
- 基于HMM的定題信息采集研究與實(shí)踐.pdf
- 藏文文本情感分析方法研究.pdf
- 消除重復(fù)藏文網(wǎng)頁的完整解決方案(圖文)
- 網(wǎng)頁增量式采集技術(shù)研究.pdf
- 基于XML的藏文網(wǎng)頁的信息抽取與轉(zhuǎn)存技術(shù)研究.pdf
- 聚類算法在網(wǎng)頁定題搜索中的應(yīng)用探究.pdf
- 搜索引擎中定題數(shù)據(jù)采集Robot的研究.pdf
- 藏文——小學(xué)藏文
- 網(wǎng)頁采集系統(tǒng)設(shè)計(jì)與開發(fā)
- 網(wǎng)頁信息智能采集與分類的研究與實(shí)現(xiàn).pdf
- 基于領(lǐng)域本體的網(wǎng)頁信息采集與檢索研究.pdf
- 基于網(wǎng)格的大規(guī)模網(wǎng)頁采集技術(shù)研究.pdf
- 聯(lián)機(jī)手寫藏文字樣本符采集及分析處理.pdf
- 面向主題的網(wǎng)頁資源采集系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 網(wǎng)頁數(shù)據(jù)采集和還原系統(tǒng)設(shè)計(jì).pdf
評論
0/150
提交評論