垂直搜索引擎爬蟲系統(tǒng)的研究與實現(xiàn).pdf

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