并行網(wǎng)絡(luò)爬蟲(chóng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、伴隨著計(jì)算機(jī)、通信、網(wǎng)絡(luò)等技術(shù)的成熟和廣泛應(yīng)用,互聯(lián)網(wǎng)自1989年誕生以來(lái)得到了迅猛發(fā)展,已經(jīng)成為現(xiàn)代人類社會(huì)信息資源的一個(gè)重要組成部分,在全球范圍內(nèi)越來(lái)越多的信息實(shí)體開(kāi)始選擇互聯(lián)網(wǎng)為其主要載體。如何幫助用戶快速找到需要的信息,成為互聯(lián)網(wǎng)研究中一項(xiàng)重要的課題。為了幫助互聯(lián)網(wǎng)用戶有效地通過(guò)互聯(lián)網(wǎng)檢索信息,一種稱之為搜索引擎的網(wǎng)絡(luò)信息檢索工具應(yīng)運(yùn)而生,為用戶及其所需信息之間架起了一座溝通的橋梁。而網(wǎng)絡(luò)爬蟲(chóng)作為搜索引擎核心部分,為搜索引擎的功

2、能實(shí)現(xiàn)奠定了基石。
　　 本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于Map/Reduce(分布式計(jì)算模型)并行計(jì)算模型的并行網(wǎng)絡(luò)爬蟲(chóng),實(shí)現(xiàn)了負(fù)責(zé)任務(wù)分配的Master模塊,以及負(fù)責(zé)執(zhí)行網(wǎng)頁(yè)抓取任務(wù)的Worker模塊,在Worker模塊中實(shí)現(xiàn)了通用的Crawler模塊,設(shè)計(jì)了DNS緩沖結(jié)構(gòu),并且為了提高網(wǎng)頁(yè)抓取的效率,加入了URL消重功能。
　　 本文首先介紹了HTTP協(xié)議,HttpClient組件的功能,URL,消重,DNS緩沖策略等相關(guān)