Web信息采集系統(tǒng)設(shè)計與實現(xiàn).pdf

1、隨著移動終端的快速發(fā)展和普及，人們越來越習慣通過在移動終端上安裝閱讀類應(yīng)用軟件獲取感興趣的信息，與之伴隨的是平臺供應(yīng)商（也包括內(nèi)容提供商）必須構(gòu)建相應(yīng)的技術(shù)平臺來支撐這樣的業(yè)務(wù)模式。而這個平臺的內(nèi)容來源可通過兩種方式獲取。一種是手工編輯，另一種是通過程序自動采集信息源的內(nèi)容。本文針對后者設(shè)計了一套Web信息采集的解決方案。
　　 論文首先介紹了課題的研究背景，研究現(xiàn)狀，以及信息抽取的相關(guān)技術(shù)和信息采集的工作原理，并對網(wǎng)頁結(jié)構(gòu)進行

2、分析;接著，分析了系統(tǒng)的功能和面向的用戶，運用用例圖和用例規(guī)約對系統(tǒng)進行用例建模，分析了系統(tǒng)的非功能需求;然后，對系統(tǒng)進行總體設(shè)計和數(shù)據(jù)庫設(shè)計;再次，對系統(tǒng)進行了詳細設(shè)計與實現(xiàn);最后，對系統(tǒng)進行測試，驗證了本方案的有效性。本文的主要工作如下:
　　 1.本文研究了如何在HTML文檔中快速定位目標信息的方法，通過利用HTML標簽和屬性及DOM的路徑表達式設(shè)計了信息的抽取規(guī)則，采用可視化界面和簡單的人機交互來自動生成信息的抽取規(guī)則，

3、并在此基礎(chǔ)上設(shè)計了一種實用的正文去噪解決方案。
　　 2.本課題包括采集配置子系統(tǒng)和采集子系統(tǒng)兩部分組成。采集配置子系統(tǒng)可將配置的采集任務(wù)通過Socket機制傳遞給采集子系統(tǒng)，從而控制采集任務(wù)的開啟、停止操作，使得用戶不必關(guān)心采集運行過程即可得到采集結(jié)果。
　　 3.采集子系統(tǒng)根據(jù)用戶已配置的采集任務(wù)，運用多線程技術(shù)、數(shù)據(jù)庫連接池技術(shù)、動態(tài)采集策略、多頁面合并技術(shù)，定時對這些網(wǎng)站進行信息采集、抽取、去噪、去重等，實現(xiàn)對相