一種針對Deep Web深層數(shù)據(jù)獲取的網(wǎng)絡(luò)爬蟲設(shè)計與實(shí)現(xiàn).pdf

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