![搜索引擎第二次實驗報告_第1頁](http://file3.renrendoc.com/fileroot_temp3/2022-1/9/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b1.gif)
![搜索引擎第二次實驗報告_第2頁](http://file3.renrendoc.com/fileroot_temp3/2022-1/9/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b2.gif)
![搜索引擎第二次實驗報告_第3頁](http://file3.renrendoc.com/fileroot_temp3/2022-1/9/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b3.gif)
![搜索引擎第二次實驗報告_第4頁](http://file3.renrendoc.com/fileroot_temp3/2022-1/9/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b4.gif)
![搜索引擎第二次實驗報告_第5頁](http://file3.renrendoc.com/fileroot_temp3/2022-1/9/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b/79cfa30c-4f51-490b-bb1e-5d1ed7d50c5b5.gif)
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),請進行舉報或認領(lǐng)
文檔簡介
1、2016-2017-1學(xué)期搜索引擎技術(shù)實驗報告實驗二:實驗一、實驗?zāi)康模?根據(jù)網(wǎng)絡(luò)爬蟲的基本原理,實現(xiàn)一個簡易網(wǎng)絡(luò)爬蟲,需要達到以下指標: 1、種子URL為; 2、至少抓取10000個頁面; 3、至少完成3輪抓取,每輪給出更新的URL及其數(shù)量;4、實現(xiàn)判重,列出每輪爬去時重復(fù)的URL數(shù)量;5、數(shù)據(jù)存放到數(shù)據(jù)庫中,能抽取出網(wǎng)頁中的標題、頁面生成日期(http協(xié)議中的時間),至少包含標題、時間、url、抓取時間、網(wǎng)頁正文這幾個字段。二、實驗方案:1. 爬蟲分析與設(shè)計我們組應(yīng)用的是java來寫爬蟲,我們應(yīng)用SSM框架將數(shù)據(jù)庫和應(yīng)用程序連接起來,可以在程序中更簡單的進行數(shù)據(jù)庫插入、查詢等操作。在對ur
2、l處理的時候我們用的是Java的URL類,通過這個類可以獲得請求頭的一些信息,例如編碼方式。如何獲取url,我們一開始遇到了一些問題,直接解析網(wǎng)頁中的ref標簽的時候得到的不全是網(wǎng)頁鏈接,所以轉(zhuǎn)換思路,我們先得到頁面中的<a>標簽,然后再得到<a>標簽里邊href中的url,然后再對url進行處理。在處理url的時候,因為網(wǎng)頁中的url并不是全部以http開頭的,所以在url獲取部分,對url的格式進行判斷,如果通常格式就進行修改,例如,有的鏈接是”#”,我們就把開始搜索的url加到它的前邊,形成一個正確的url。圖1:應(yīng)用URL類獲取網(wǎng)頁內(nèi)容圖2:利用url請求頭獲取
3、編碼信息圖3:獲取a標簽圖4-1:獲取url圖4-2:獲取url圖5:url判重2. 數(shù)據(jù)庫分析與設(shè)計我們設(shè)計了兩個表,一個是未爬取url表,兩一個是已經(jīng)爬取url表。未爬取的表中村的是搜索判重之后,還沒有爬取的url,已爬取的存儲爬取到的信息。圖6:判重后需要爬取的url表圖7:爬取后url信息存儲表圖9:去重后url的部分信息圖10:爬取結(jié)果部分信息圖11:網(wǎng)頁內(nèi)容存txt部分信息三、實驗結(jié)果及分析:試驗中每一次爬取的網(wǎng)頁數(shù)量都是超過了10000的,達到了數(shù)量上的要求,但是在處理的過程中,對于中文的解析有的并不理想,這個是因為有的url在請求頭里邊沒有網(wǎng)頁的編碼信息,所以對于這種網(wǎng)頁的處理
4、是按照“utf-8”的編碼方式處理的,所以得到的數(shù)據(jù)可能會有亂碼。此外有的網(wǎng)頁中沒有<title>標簽,所以有的標題不可以得到。在一開始的時候爬蟲程序就是簡單的按順序獲取網(wǎng)頁內(nèi)容,內(nèi)因程序?qū)懙男什桓?,爬?000+網(wǎng)頁就用了一個小時,所以在之后用到了三個線程同時爬取,使得爬取的速度有了很大的提升。圖12:三次爬取結(jié)果對比四、實驗總結(jié):優(yōu)點:爬取數(shù)據(jù)的存取應(yīng)用了數(shù)據(jù)庫,相較文本而言,應(yīng)用數(shù)據(jù)庫在數(shù)據(jù)的存取上十分的方便,效率要高很多,因為如果用文本進行存取,每一次比較數(shù)據(jù)的時候都要把文本遍歷一遍,時空效率都很低,另外用數(shù)據(jù)庫存數(shù)據(jù)條目很清晰,可以方便觀察爬取到的數(shù)據(jù);爬取數(shù)據(jù)運用多線程,有效的提高了爬取效率,在沒有用多線程進行爬取的時候2000+個url爬取了1個小時,之后用了3個線程同時爬取數(shù)據(jù),爬取的效率有了明顯的提高。缺點:文本處理有瑕疵,有的網(wǎng)頁在請求頭沒有給出編碼信息,所以獲得到的文本信息含有亂碼,有的沒有給出網(wǎng)頁的發(fā)布時間,所以只有把發(fā)布時間默認成爬取的時間。有的網(wǎng)頁中沒有title標簽,沒有辦法得到url的標題。在網(wǎng)上看到了一些論
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. 人人文庫網(wǎng)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(quán)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。
最新文檔
- 2025年度國際專利申請代理合同模板
- 2025年度工業(yè)產(chǎn)品售后服務(wù)合同規(guī)范
- 2025年度酒店后廚員工培訓(xùn)與管理綜合服務(wù)合同
- 2025年度石材展會組織與服務(wù)合同模板
- 赤峰2025年內(nèi)蒙古喀喇沁旗錦山中學(xué)引進教師9人筆試歷年參考題庫附帶答案詳解
- 茂名2025年廣東茂名市公安局招聘警務(wù)輔助人員50人筆試歷年參考題庫附帶答案詳解
- 苯噻草胺項目融資計劃書
- 潮州2024年廣東潮州市科學(xué)技術(shù)局屬下事業(yè)單位招聘10人(第二輪)筆試歷年參考題庫附帶答案詳解
- 普洱2025年云南普洱市商務(wù)局招聘城鎮(zhèn)公益性崗位工作人員筆試歷年參考題庫附帶答案詳解
- 文山云南文山硯山縣住房和城鄉(xiāng)建設(shè)局招聘公益性崗位人員筆試歷年參考題庫附帶答案詳解
- 中國人口研究專題報告-中國2025-2100年人口預(yù)測與政策建議-西南財經(jīng)大學(xué)x清華大學(xué)-202501
- 建筑工程安全與管理
- 幼兒園開學(xué)教師安全知識培訓(xùn)
- 2024年山東水利職業(yè)學(xué)院高職單招職業(yè)技能測驗歷年參考題庫(頻考版)含答案解析
- 遼寧省名校聯(lián)盟2025年高三1月份聯(lián)合考試 語文試卷(含答案詳解)
- 25版六年級寒假特色作業(yè)
- 浙江省杭州市9+1高中聯(lián)盟2025屆高三一診考試英語試卷含解析
- 2025教科版一年級科學(xué)下冊教學(xué)計劃
- 2024年醫(yī)療器械經(jīng)營質(zhì)量管理規(guī)范培訓(xùn)課件
- 中華人民共和國學(xué)前教育法-知識培訓(xùn)
- GB/T 19228.1-2024不銹鋼卡壓式管件組件第1部分:卡壓式管件
評論
0/150
提交評論