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47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),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、當(dāng)今的信息時代,互聯(lián)網(wǎng)中的信息不斷快速增長,存儲數(shù)據(jù)非常容易,但是想從中找到有用的信息卻越來越難。通用搜索引擎的出現(xiàn)為這一問題提供了解決方案。
  網(wǎng)絡(luò)中有一部分?jǐn)?shù)據(jù)信息是存放在各網(wǎng)站站點(diǎn)數(shù)據(jù)庫中的,這部分?jǐn)?shù)據(jù)信息不能通過網(wǎng)頁中的鏈接直接獲取,而需要用戶手動填寫網(wǎng)站查詢表單,提交查詢命令才能訪問,這些數(shù)據(jù)被稱為DeepWeb數(shù)據(jù)。DeepWeb數(shù)據(jù)與其他網(wǎng)站靜態(tài)頁面中提供的信息相比,專業(yè)性更強(qiáng),數(shù)據(jù)量更大,對用戶而言,更具利用有價

2、值。通用搜索引擎在進(jìn)行網(wǎng)絡(luò)信息爬取時,無法爬取到DeepWeb數(shù)據(jù),這對搜索引擎用戶而言,能夠獲得的有價值的信息有限。
  E時代辛亥革命搜索引擎是一個為辛亥革命歷史事件的研究者提供檢索服務(wù)的垂直搜素引擎,網(wǎng)絡(luò)爬蟲子系統(tǒng)的研制就是該引擎必須解決的關(guān)鍵系統(tǒng)之一。本文在通用搜索引擎的基礎(chǔ)上,通過對DeepWeb數(shù)據(jù)結(jié)構(gòu)特點(diǎn)進(jìn)行分析,針對DeepWeb數(shù)據(jù)源的檢測和獲取提供了一套實(shí)現(xiàn)方案,解決了其中2個主要問題,即:
  1.對D

3、eepWeb數(shù)據(jù)查詢接口的節(jié)點(diǎn)特征進(jìn)行分析,建立節(jié)點(diǎn)特征庫。網(wǎng)絡(luò)爬蟲在獲取到新的頁面時,利用節(jié)點(diǎn)特征庫比對當(dāng)前網(wǎng)頁的節(jié)點(diǎn)特征,尋找當(dāng)前網(wǎng)頁中包含DeepWeb數(shù)據(jù)源的可能性,以此實(shí)現(xiàn)爬蟲進(jìn)行數(shù)據(jù)爬取時,自動發(fā)現(xiàn)DeepWeb數(shù)據(jù)并將相關(guān)信息記錄至文件中。
  2.爬蟲能夠讀取DeepWeb文件,拼裝DeepWeb數(shù)據(jù)源的查詢請求,獲取站點(diǎn)返回信息;通過頁面相似度的計算,為查詢結(jié)果頁面尋找一個“同類網(wǎng)頁”;通過對查詢結(jié)果頁面和其“同

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(hù)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

評論

0/150

提交評論