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64頁未讀, 繼續(xù)免費(fèi)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、近年來互聯(lián)網(wǎng)的發(fā)展速度越來越快,海量資源出現(xiàn)在網(wǎng)絡(luò)上,以聚焦爬蟲為核心的垂直搜索引擎因其針對(duì)性和準(zhǔn)確性的優(yōu)勢(shì)更受用戶歡迎。但現(xiàn)有聚焦爬蟲網(wǎng)頁抓取及解析方法還存在以下幾個(gè)問題:(1)爬行策略中僅考慮鏈接結(jié)構(gòu)或網(wǎng)頁內(nèi)容單方面因素對(duì)爬行策略的影響,且不關(guān)心鏈接文本之間的關(guān)系;(2)目前Web頁面解析算法僅支持有限的類型,過于片面,解析效果不佳;(3)現(xiàn)有解析算法大都內(nèi)嵌于爬蟲系統(tǒng)中,拓展性不高,對(duì)于海量數(shù)據(jù)處理不具有適用性。Hadoop平臺(tái)因

2、其高可靠性和良好的擴(kuò)展性,廣泛應(yīng)用于對(duì)海量數(shù)據(jù)的處理?;贖adoop平臺(tái),研究聚焦爬蟲的網(wǎng)頁抓取及解析方法,具有較高的理論價(jià)值和實(shí)際意義。
  基于以上問題,本文進(jìn)行以下三個(gè)方面的研究工作:
 ?。?)針對(duì)現(xiàn)有爬蟲爬行算法效率不高的問題,本文分析了現(xiàn)有聚焦爬蟲的URL鏈接分析模型,提出了基于網(wǎng)頁內(nèi)容分析和密度劃分的聚焦爬蟲策略。該策略在網(wǎng)頁語義內(nèi)容評(píng)價(jià)鏈接的基礎(chǔ)上,采用基于密度劃分的聚類方法,對(duì)已下載的鏈接進(jìn)行聚類,根據(jù)鏈

3、接之間的關(guān)聯(lián)性來提高爬蟲抓取網(wǎng)頁的精準(zhǔn)度。此外,該算法綜合考慮待下載鏈接與已下載鏈接簇的相似度,對(duì)網(wǎng)頁內(nèi)容及鏈接錨文本進(jìn)行相似度分析,有效提高爬蟲工作效率。
 ?。?)針對(duì)現(xiàn)有網(wǎng)頁解析算法準(zhǔn)確度不高且對(duì)海量數(shù)據(jù)處理的適用性低,為進(jìn)一步提高爬蟲運(yùn)行的速度,本文分析Web網(wǎng)頁內(nèi)容中目標(biāo)文本與噪音文本所在標(biāo)簽路徑的特征,結(jié)合Map/Reduce模型并利用分層合并降度的思想,提出了一種新的基于DOM樹和Map/Reduce的網(wǎng)頁解析算法。

4、該算法不僅能提高其目標(biāo)文本解析準(zhǔn)確度,更大幅度的提升其處理速度。
 ?。?)在實(shí)驗(yàn)部分,對(duì)以上兩種算法進(jìn)行實(shí)驗(yàn)測試。在第一個(gè)算法的實(shí)驗(yàn)中,比較抓取數(shù)據(jù)以確定算法中權(quán)值參數(shù)?、?的最佳取值,通過其與 Best-First Search算法和Shark-Search算法的縱向?qū)Ρ闰?yàn)證了該算法的準(zhǔn)確率、有效性及其自身學(xué)習(xí)能力;在第二個(gè)算法實(shí)驗(yàn)中,首先對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行測試并觀察其解析效果,然后對(duì)比其在Hadoop環(huán)境與傳統(tǒng)多線程環(huán)境中消耗

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(qǐng)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(qǐng)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(huì)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(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論