2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩60頁未讀, 繼續(xù)免費閱讀

下載本文檔

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),請進行舉報或認領(lǐng)

文檔簡介

1、爬蟲技術(shù)作為數(shù)據(jù)搜索技術(shù)中最關(guān)鍵的一項技術(shù),也作為搜索引擎中最核心的模塊,為搜索引擎提供數(shù)據(jù)源。
  為了獲取存在于互聯(lián)網(wǎng)上的大量招聘信息并集中反映到本地,設(shè)計一種網(wǎng)絡(luò)爬蟲系統(tǒng)來爬取這些信息,并對這些信息進行分類存儲。為了使爬蟲能在較短的時間里精準(zhǔn)地,快速地,完整地獲取這些信息,爬蟲系統(tǒng)首先采用httpclient中的GET方式結(jié)合http協(xié)議來獲取網(wǎng)頁內(nèi)容,并根據(jù)招聘網(wǎng)站上數(shù)據(jù)信息的分布結(jié)構(gòu),采取深度優(yōu)先搜索方式和廣度優(yōu)先搜索方

2、式相結(jié)合的方法來對網(wǎng)頁URL進行搜索,這樣爬蟲程序能最迅捷得到頁面鏈接;獲取URL后,利用HtmlParser中的filter方式對網(wǎng)頁進行解析與過濾,去除無關(guān)內(nèi)容,保留需要的內(nèi)容,進而將得到的信息存入Mongodb數(shù)據(jù)庫,以備以后使用。
  爬蟲在抓取信息過程中,有可能爬取重復(fù)信息,為了不浪費cpu計算時間與存儲空間,運用基于Hash算法的URL去重方式來應(yīng)對重復(fù)的URL,并且采取了JVM優(yōu)化,多線程技術(shù),離線腳本,數(shù)據(jù)庫優(yōu)化等

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

評論

0/150

提交評論