基于網(wǎng)格的大規(guī)模網(wǎng)頁采集技術(shù)研究.pdf

1、VCE Search Engine是一個(gè)基于Globus網(wǎng)格平臺(tái)的網(wǎng)絡(luò)搜索引擎項(xiàng)目。本文以VCE Search Engine項(xiàng)目的網(wǎng)頁采集功能為需求，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)有效且高性能的基于網(wǎng)格進(jìn)行大規(guī)模網(wǎng)頁采集的系統(tǒng)。
　　本文首先分析和研究了網(wǎng)格技術(shù)的基本特點(diǎn)，給出了相關(guān)的基本概念，并詳細(xì)的介紹了網(wǎng)格項(xiàng)目開發(fā)工具包—Globus Toolkit，主要闡述了它的起源、系統(tǒng)結(jié)構(gòu)以及應(yīng)用Globus Toolkit進(jìn)行網(wǎng)格項(xiàng)目開發(fā)的基本流

2、程。然后，介紹并分析了網(wǎng)頁采集技術(shù)的相關(guān)概念。介紹了網(wǎng)絡(luò)爬蟲的基本原理、網(wǎng)絡(luò)爬蟲的基本工作流程、網(wǎng)絡(luò)爬蟲的基本數(shù)據(jù)流程以及網(wǎng)絡(luò)爬蟲的工作模式分類。然后，給出了網(wǎng)頁采集系統(tǒng)的一般評(píng)價(jià)指標(biāo)，并分析了影響各項(xiàng)指標(biāo)的具體因素，通過實(shí)驗(yàn)給出了采集帶寬對(duì)網(wǎng)頁采集速度以及網(wǎng)頁采集錯(cuò)誤率的影響。然后通過對(duì)網(wǎng)格技術(shù)的分析，給出了基于網(wǎng)格進(jìn)行大規(guī)模網(wǎng)頁采集的優(yōu)點(diǎn)--易于獲得較高帶寬、易于資源的聚合和協(xié)同、易于信息的獲取和發(fā)布以及良好的可擴(kuò)展性。
　　

3、然后，通過對(duì)網(wǎng)頁采集系統(tǒng)性能指標(biāo)影響因素的分析，設(shè)計(jì)了一個(gè)基于網(wǎng)格的大規(guī)模網(wǎng)頁采集模型。給出了一個(gè)四層的模型架構(gòu)，分析了其基本工作模式，并結(jié)合動(dòng)態(tài)分配和靜態(tài)分配的工作方式，設(shè)計(jì)了一個(gè)改進(jìn)的基于靜態(tài)分配的交互模式。然后，給出了基于網(wǎng)格進(jìn)行網(wǎng)頁采集的任務(wù)劃分機(jī)制，主要包括種子Urls的選取以及劃分函數(shù)的設(shè)定。然后為該模型設(shè)計(jì)了一個(gè)兩層的任務(wù)調(diào)度算法—廣域網(wǎng)任務(wù)調(diào)度算法和局域網(wǎng)任務(wù)調(diào)度算法，并給出了各類數(shù)據(jù)的存儲(chǔ)方式，并通過分析該模型，說明了