基于深度網(wǎng)頁爬蟲搜索引擎原型的研究和實現(xiàn).pdf

1、隨著Internet的迅速發(fā)展，簡易、可擴(kuò)展、平臺無關(guān)的Web技術(shù)逐漸盛行，Web動態(tài)頁面也正在逐步取代靜態(tài)頁面?；赪eb動態(tài)頁面的一些特性，深度網(wǎng)頁（亦稱Deep Web或深網(wǎng)）的出現(xiàn)也就成了必然的趨勢。搜索引擎的出現(xiàn)在一定程度上為用戶搜集、獲取網(wǎng)絡(luò)信息提供了有效的途徑。傳統(tǒng)的搜索引擎呈現(xiàn)給用戶的主要是類似純文本的非結(jié)構(gòu)化數(shù)據(jù)，但深度網(wǎng)頁數(shù)據(jù)作為一種結(jié)構(gòu)化數(shù)據(jù)，顯然無法通過傳統(tǒng)搜索引擎被獲取到。隨著對深度網(wǎng)頁技術(shù)研究的不斷深入，通過

2、搜索引擎獲取深度網(wǎng)頁數(shù)據(jù)已經(jīng)成為深度網(wǎng)頁研究領(lǐng)域的一項新課題。
　　 本文主要是基于深度網(wǎng)頁爬蟲并結(jié)合Lucene搜索引擎構(gòu)架中的核心索引類和核心查詢類構(gòu)建了一種基于深度網(wǎng)頁爬蟲的搜索引擎原型。在整個原型系統(tǒng)的實現(xiàn)過程中，主要從深度網(wǎng)頁站點信息搜集、深度網(wǎng)頁查詢接口判定、深度網(wǎng)頁表面預(yù)處理以及關(guān)聯(lián)表單查詢模板輸入值等四個方面對深度網(wǎng)頁爬蟲的研究和實現(xiàn)進(jìn)行了分析和探討。本文在查詢接口判定方面，主要是根據(jù)DOM樹的原理，對網(wǎng)頁數(shù)據(jù)進(jìn)

3、行了特征分析和識別。
　　 在對深度網(wǎng)頁進(jìn)行表面預(yù)處理方面，本文提出了關(guān)聯(lián)表單查詢模板的選擇算法。這種算法是在對網(wǎng)頁表單輸入值進(jìn)行建模的基礎(chǔ)上，通過對表單頁面的查詢處理過程進(jìn)行分析和研究所提出的。另外，在表單查詢模板輸入值的選擇方面，本文采用了一種迭代探索的算法，結(jié)合加權(quán)分析技術(shù)，對后臺表單數(shù)據(jù)庫通過查詢獲取到深度網(wǎng)頁中的數(shù)據(jù)。
　　 在搜索引擎構(gòu)架方面，本文利用了Lucene開源搜索引擎框架提供的兩個核心類，即核心索引