文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > IT/计算机 > 互联网 > 爬虫分析
侵权投诉

爬虫分析

随着网络的迅速发展,万维网成为大量信息的载体,如何有效地提取并利用这些信息成为一个巨大的挑战。搜索引擎(Search Engine),例如传统的通用搜索引擎AltaVista,百度,Yahoo!和Google等,作为一个辅助人们检索信息的工具成为用户访问万维网的入口和指南。但是,这些通用性搜索引擎也存在着一定的局限性,如:

(1) 不同领域、不同背景的用户往往具有不同的检索目的和需求,通用搜索引擎所返回的结果包含大量用户不关心的网页。
(2) 通用搜索引擎的目标是尽可能大的网络覆盖率,有限的搜索引擎服务器资源与无限的网络数据资源之间的矛盾将进一步加深。
(3) 万维网数据形式的丰富和网络技术的不断发展,图片、数据库、音频视频多媒体等不同数据大量出现,通用搜索引擎往往对这些信息含量密集且具有一定结构的数据无能为力,不能很好地发现和获取。
(4) 通用搜索引擎大多提供基于关键字的检索,难以支持根据语义信息提出的查询。
为了解决上述问题,定向抓取相关网页资源的聚焦爬虫应运而生。聚焦爬虫是一个自动下载网页的程序,它根据既定的抓取目标,有选择的访问万维网上的网页与相关的链接,获取所需要的信息。与通用爬虫(generalpurpose web crawler)不同,聚焦爬虫并不追求大的覆盖,而将目标定为抓取与某一特定主题内容相关的网页,为面向主题的用户查询准备数据资源。

1 聚焦爬虫工作原理及关键技术概述
网络爬虫是一个自动提取网页的程序,它为搜索引擎从万维网上下载网页,是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件,如图1(a)流程图所示。聚焦爬虫的工作流程较为复杂,需要根据一定的网页分析算法过滤与主题无关的链接,保留有用的链接并将其放入等待抓取的URL队列。然后,它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL,并重复上述过程,直到达到系统的某一条件时停止,如图1(b)所示。另外,所有被爬虫抓取的网页将会被系统存贮,进行一定的分析、过滤,并建立索引,以便之后的查询和检索;对于聚焦爬虫来说,这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。

相对于通用网络爬虫,聚焦爬虫还需要解决三个主要问题:
(1) 对抓取目标的描述或定义;
(2) 对网页或数据的分析与过滤;
(3) 对URL的搜索策略。
抓取目标的描述和定义是决定网页分析算法与URL搜索策略如何制订的基础

第1页

你可能喜欢

热门文档

相关文档

  • 网络爬虫效率瓶颈的分析与解决方案

    2爬虫的瓶颈分析与解决方案2.1效率瓶颈分析 爬虫的效率主要受到以下因素的制约:网络延时和爬虫 本地运行效率,如图2所示。 图1 Intemet的有向图模型不意图 图2...

  • 网络爬虫需求分析

    网络爬虫需求分析 目录 1.引言 ...2 1.1 编写目的 ......

  • 网络爬虫

    网络爬虫分析某个网页时 ,利用 HTML 语言的标记结构来获取指向其他 网页的 URL 地址,可以完全不依赖用户干预。 ?如果把整个互联网当成一个网站,理论上讲网 络...

  • 网络爬虫技术浅析

    因此,爬虫在判断重复页面时主要以 URL 所谓判断标准,以保证服务的唯一性。 1.5 网络爬虫的效率 单线程的爬虫由于页面的分析和下载不能同时而效率较低, 因此出现...

  • nutch爬虫流程分析

    nutch爬虫流程分析_IT/计算机_专业资料 暂无评价0人阅读0次下载举报文档 nutch爬虫流程分析_IT/计算机_专业资料。nutch 爬虫的流程分析...

  • 网络爬虫的设计与实现

    网络爬虫应用宽度搜索技术。对 url 进行分析,去重。网络爬虫使用多线程 技术, 让爬虫具备更强大的抓取能力。对网络爬虫的连接网络设置连接及读取时 间,避免无限制...

  • 爬虫原理

    所有被爬虫抓取的网页将会被系统存贮,进行一定的分析、过滤,并建立索引,以便之后的 查询和检索;对于聚焦爬虫来说,这一过程所得到的分析结果还可能对以后的抓取过程...

  • 网络爬虫详解

    另外,所有被爬虫抓取的网页将会被系统存贮,进行一定 的分 析、过滤,并建立索引,以便之后的查询和检索;对于聚焦爬虫来说,这 一过程所得到的分析结果还可能对以后的...

  • 主题爬虫相关度算法研究综述

    语言层、 语义层 3 个层次系统分析当前主题爬虫相关度的计算方法, 并比较 不同 层次 间各 个算法的 优缺点; 最后总结现有的研究成果, 并给出进一步的研究方向...

  • 聚焦爬虫技术研究综述

    在此基础上 ,提出聚焦爬虫今后的一些研究方向 ,包括面向数 据分析和挖掘的爬虫技术研究 ,主题的描述与定义 , 相关资源的发现 , W eb 数据清洗 , 以及搜索空间 ...

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email