一種針對(duì)Deep Web深層數(shù)據(jù)獲取的網(wǎng)絡(luò)爬蟲設(shè)計(jì)與實(shí)現(xiàn).pdf

1、當(dāng)今的信息時(shí)代，互聯(lián)網(wǎng)中的信息不斷快速增長(zhǎng)，存儲(chǔ)數(shù)據(jù)非常容易，但是想從中找到有用的信息卻越來(lái)越難。通用搜索引擎的出現(xiàn)為這一問(wèn)題提供了解決方案。
　　網(wǎng)絡(luò)中有一部分?jǐn)?shù)據(jù)信息是存放在各網(wǎng)站站點(diǎn)數(shù)據(jù)庫(kù)中的，這部分?jǐn)?shù)據(jù)信息不能通過(guò)網(wǎng)頁(yè)中的鏈接直接獲取，而需要用戶手動(dòng)填寫網(wǎng)站查詢表單，提交查詢命令才能訪問(wèn)，這些數(shù)據(jù)被稱為DeepWeb數(shù)據(jù)。DeepWeb數(shù)據(jù)與其他網(wǎng)站靜態(tài)頁(yè)面中提供的信息相比，專業(yè)性更強(qiáng)，數(shù)據(jù)量更大，對(duì)用戶而言，更具利用有價(jià)

2、值。通用搜索引擎在進(jìn)行網(wǎng)絡(luò)信息爬取時(shí)，無(wú)法爬取到DeepWeb數(shù)據(jù)，這對(duì)搜索引擎用戶而言，能夠獲得的有價(jià)值的信息有限。
　　E時(shí)代辛亥革命搜索引擎是一個(gè)為辛亥革命歷史事件的研究者提供檢索服務(wù)的垂直搜素引擎，網(wǎng)絡(luò)爬蟲子系統(tǒng)的研制就是該引擎必須解決的關(guān)鍵系統(tǒng)之一。本文在通用搜索引擎的基礎(chǔ)上，通過(guò)對(duì)DeepWeb數(shù)據(jù)結(jié)構(gòu)特點(diǎn)進(jìn)行分析，針對(duì)DeepWeb數(shù)據(jù)源的檢測(cè)和獲取提供了一套實(shí)現(xiàn)方案，解決了其中2個(gè)主要問(wèn)題，即:
　　1.對(duì)D

3、eepWeb數(shù)據(jù)查詢接口的節(jié)點(diǎn)特征進(jìn)行分析，建立節(jié)點(diǎn)特征庫(kù)。網(wǎng)絡(luò)爬蟲在獲取到新的頁(yè)面時(shí)，利用節(jié)點(diǎn)特征庫(kù)比對(duì)當(dāng)前網(wǎng)頁(yè)的節(jié)點(diǎn)特征，尋找當(dāng)前網(wǎng)頁(yè)中包含DeepWeb數(shù)據(jù)源的可能性，以此實(shí)現(xiàn)爬蟲進(jìn)行數(shù)據(jù)爬取時(shí)，自動(dòng)發(fā)現(xiàn)DeepWeb數(shù)據(jù)并將相關(guān)信息記錄至文件中。
　　2.爬蟲能夠讀取DeepWeb文件，拼裝DeepWeb數(shù)據(jù)源的查詢請(qǐng)求，獲取站點(diǎn)返回信息;通過(guò)頁(yè)面相似度的計(jì)算，為查詢結(jié)果頁(yè)面尋找一個(gè)“同類網(wǎng)頁(yè)”;通過(guò)對(duì)查詢結(jié)果頁(yè)面和其“同