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(rèn)領(lǐng)
文檔簡介
1、隨著因特網(wǎng)的迅猛發(fā)展,WEB信息的增加,用戶要在信息海洋里查找信息,就像大海撈針一樣,搜索引擎服務(wù)能成為最受歡迎的服務(wù)是因為它幫助用戶在浩瀚的互聯(lián)網(wǎng)快速的查找信息。在海量的網(wǎng)頁里找信息,按照傳統(tǒng)方式需要用戶逐個網(wǎng)站逐級目錄查找,要耗費大量的精力和時間,幾乎是不可能實現(xiàn)的任務(wù)?;ヂ?lián)網(wǎng)的信息量爆炸性增長,幾年前全球式搜索引擎收錄的網(wǎng)頁量只有幾千萬頁,而現(xiàn)在已經(jīng)達到幾十億頁。數(shù)量增加帶來的是搜索服務(wù)的品質(zhì)下降,查詢的結(jié)果集已經(jīng)是海量級的,多達
2、數(shù)十萬條結(jié)果,結(jié)果里存在大量的重復(fù)信息和垃圾信息。用戶越來越感覺到很難在短時間內(nèi)準(zhǔn)確的篩選出需要的內(nèi)容,很難迅速的找到需要的信息。因此,搜索服務(wù)需要細(xì)化,需要提供更專業(yè),更有效的服務(wù)。 垂直搜索引擎是針對某一特定領(lǐng)域、某一特定人群或某一特定需求提供的有一定價值的信息和相關(guān)服務(wù)。垂直搜索引擎主要涉及的技術(shù)有:爬蟲,網(wǎng)頁結(jié)構(gòu)化信息抽取技術(shù)或元數(shù)據(jù)采集技術(shù),分詞和索引,其它信息處理技術(shù)。本文的工作主要研究垂直搜索引擎的爬蟲系統(tǒng),并用程
3、序?qū)崿F(xiàn)整個爬蟲系統(tǒng)。 網(wǎng)絡(luò)爬蟲(也叫網(wǎng)絡(luò)蜘蛛或網(wǎng)絡(luò)機器人)通過網(wǎng)頁的鏈接地址來尋找網(wǎng)頁,從網(wǎng)站某一個頁面(通常是首頁)開始,讀取網(wǎng)頁的內(nèi)容,找到在網(wǎng)頁中的其它鏈接地址,然后通過這些鏈接地址尋找下一個網(wǎng)頁,這樣一直循環(huán)直到把這個網(wǎng)站所有需要的網(wǎng)頁都抓取完為止。整個互聯(lián)網(wǎng)當(dāng)成一個網(wǎng)站,爬蟲就可以用這個原理把互聯(lián)網(wǎng)上所有的網(wǎng)頁都抓取下來。爬蟲系統(tǒng)需要運用到的技術(shù)有分布式、并發(fā)、鏈接選擇算法、鏈接過濾消重算法等。 有色網(wǎng)(Col
4、oredPetriNet,以下簡稱CPN)是具有層次性的高級Petri網(wǎng),是分布式并發(fā)系統(tǒng)建模和分析的最佳工具之一,用它建立的模型是可執(zhí)行的,有利于動態(tài)仿真。CPN庫所的顏色可以是任意復(fù)雜的數(shù)據(jù),大大簡化系統(tǒng)的復(fù)雜度;具有層次結(jié)構(gòu),可以從整體到局部、由粗到精地把系統(tǒng)分頁,逐步細(xì)化,突出重點。CPN是一種圖形化建模工具,也是一種形式化數(shù)學(xué)工具。本文采用CPN來為爬蟲系統(tǒng)建立模型,并驗證其正確性。 但是,CPN是用來描述和分析要開發(fā)
5、的系統(tǒng)模型的工具,不是計算機的實現(xiàn)工具。本文的最終目標(biāo)是要開發(fā)出能夠運行的爬蟲系統(tǒng),需要把CPN建立的模型轉(zhuǎn)化成計算機的實現(xiàn)。當(dāng)前主流的軟件開發(fā)技術(shù)是面向?qū)ο蠹夹g(shù),我們也將用面向?qū)ο蠹夹g(shù)實現(xiàn)爬蟲系統(tǒng)。在面向?qū)ο笙到y(tǒng)使用最為廣泛的建模工具是UML,UML是一種定義良好、易于表達、功能強大且普遍適用的建模語言。它溶入了軟件工程領(lǐng)域的新思想、新方法和新技術(shù),它的作用域不限于支持面向?qū)ο蟮姆治雠c設(shè)計,還支持從需求分析開始的軟件開發(fā)的全過程。在C
6、PN模型的基礎(chǔ)上,提取用例,建立系統(tǒng)的用例圖,結(jié)合用例圖和CPN模型圖,設(shè)計系統(tǒng)靜態(tài)圖,主要設(shè)計系統(tǒng)的關(guān)鍵類,并用狀態(tài)圖說明系統(tǒng)的關(guān)鍵部分。 本文選用java語言作為軟件的實現(xiàn)工具,因為java語言有良好的跨平臺性,可以在window平臺開發(fā),移植到linux平臺運行。系統(tǒng)選用mysql數(shù)據(jù)庫存儲數(shù)據(jù),linux為運行平臺。作為北京大正語言知識處理有限公司農(nóng)業(yè)垂直搜索引擎項目的數(shù)據(jù)采集系統(tǒng),要抓取的網(wǎng)站數(shù)量總共92個,新聞資訊類
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(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
- 垂直搜索引擎主題爬蟲研究.pdf
- 面向垂直搜索引擎的主題爬蟲方法研究.pdf
- 垂直搜索引擎中聚焦爬蟲技術(shù)的研究.pdf
- 搜索引擎中網(wǎng)絡(luò)爬蟲的研究與實現(xiàn).pdf
- 搜索引擎中主題爬蟲的研究與實現(xiàn).pdf
- 垂直搜索引擎設(shè)計與實現(xiàn).pdf
- 垂直搜索引擎系統(tǒng)的研究.pdf
- 主題搜索引擎網(wǎng)絡(luò)爬蟲搜索策略的研究與實現(xiàn).pdf
- 事件垂直搜索引擎的研究與實現(xiàn).pdf
- 垂直搜索引擎中主題網(wǎng)絡(luò)爬蟲算法研究.pdf
- 垂直搜索引擎中的主題爬蟲技術(shù)研究.pdf
- 基于垂直搜索引擎的主題爬蟲算法的研究.pdf
- 垂直搜索引擎的架構(gòu)與實現(xiàn).pdf
- 基于強化學(xué)習(xí)的垂直搜索引擎網(wǎng)絡(luò)爬蟲的研究與實現(xiàn).pdf
- 政策信息垂直搜索引擎研究與實現(xiàn).pdf
- 垂直搜索引擎的研究.pdf
- 招聘信息垂直搜索引擎系統(tǒng)設(shè)計與實現(xiàn).pdf
- 垂直搜索引擎分類索引系統(tǒng)的設(shè)計與實現(xiàn).pdf
- 可定制的垂直搜索引擎研究與實現(xiàn).pdf
- 招聘信息垂直搜索引擎的研究與實現(xiàn).pdf
評論
0/150
提交評論