搜索引擎中網(wǎng)絡爬蟲的研究與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩59頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明: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,請進行舉報或認領

文檔簡介

1、在互聯(lián)網(wǎng)快速發(fā)展的背景下,搜索引擎在人們生活工作中有著舉足輕重的作用,而網(wǎng)絡爬蟲是搜索引擎中的信息采集器,是搜索引擎技術的最基礎部分。特別是在今天這個大數(shù)據(jù)的時代,通過網(wǎng)絡爬蟲在互聯(lián)網(wǎng)上搜集到有價值的數(shù)據(jù),再進行數(shù)據(jù)整理,是一個快速得到有效信息的重要手段。
  本文是基于廣度優(yōu)先算法在 Linux平臺下研究并實現(xiàn)的多線程網(wǎng)絡爬蟲程序。爬蟲系統(tǒng)從指定的初始URL開始抓取網(wǎng)頁,進行網(wǎng)頁解析,獲取包含在網(wǎng)頁中未被爬取的URL,再對這些U

2、RL逐條地進行爬行,盡可能多的獲取互聯(lián)網(wǎng)海量數(shù)據(jù)。針對網(wǎng)絡爬蟲系統(tǒng)中涉及的相關技術,本文詳細分析與研究了網(wǎng)頁抓取算法、網(wǎng)頁去重算法,并提出半同步/半異步并發(fā)模型在系統(tǒng)中的應用,有效的利用網(wǎng)絡資源,提高CPU利用率。此外,為了增加爬蟲系統(tǒng)的并發(fā)度,采用基于 Libevent開源事件驅動框架庫的線程池設計。最終,通過模塊化程序設計思想將爬蟲系統(tǒng)分為請求連接模塊、數(shù)據(jù)分析模塊、URL管理模塊、URL調度模塊等,本文對其進行一一設計與實現(xiàn),程序

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權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)容負責。
  • 6. 下載文件中如有侵權或不適當內(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確性、安全性和完整性, 同時也不承擔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。

評論

0/150

提交評論