第三章信息采集和信息源_第1頁(yè)
第三章信息采集和信息源_第2頁(yè)
第三章信息采集和信息源_第3頁(yè)
第三章信息采集和信息源_第4頁(yè)
免費(fèi)預(yù)覽已結(jié)束，剩余1頁(yè)可下載查看

下載本文檔

版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

第三章信息采集和信息源1.確定搜索內(nèi)容2.網(wǎng)絡(luò)信息爬取3.文檔和電子郵件的信息采集4.文檔信息源5.轉(zhuǎn)換問題6.存儲(chǔ)文檔7.重復(fù)檢測(cè)8.去除噪音01.確定搜索內(nèi)容確定文檔信息選擇目標(biāo)文檔信息作為信息源信息的完整性獲取完整的目標(biāo)信息源信息的可用性選擇有效的信息源文檔信息增量選擇對(duì)發(fā)生變化、新增加的文檔進(jìn)行獲取信息類別的取舍依據(jù)不同需求選擇特定領(lǐng)域文檔1第三章信息采集和信息源1.確定搜索內(nèi)容2.網(wǎng)絡(luò)信息爬取3.文檔和電子郵件的信息采集4.文檔信息源5.轉(zhuǎn)換問題6.存儲(chǔ)文檔7.重復(fù)檢測(cè)8.去除噪音22.網(wǎng)絡(luò)信息爬取目的為搜索引擎構(gòu)建獲取信息源，進(jìn)行網(wǎng)頁(yè)備份難題互聯(lián)網(wǎng)規(guī)模龐大，網(wǎng)頁(yè)每天都在大量增加，必須保證文檔集合內(nèi)容時(shí)新性網(wǎng)站本身內(nèi)容的獲取有一定的困難一些網(wǎng)站不允許搜索引擎獲取數(shù)據(jù)DeepWeb數(shù)據(jù)庫(kù)信息獲取部分孤立、缺失URL的信息獲取32.網(wǎng)絡(luò)信息爬取抓取網(wǎng)頁(yè)網(wǎng)絡(luò)爬蟲時(shí)新性面向主題的信息采集深層網(wǎng)絡(luò)采集網(wǎng)站地圖分布式信息采集4爬取網(wǎng)頁(yè)網(wǎng)絡(luò)爬蟲自動(dòng)發(fā)現(xiàn)并下載網(wǎng)頁(yè)的程序爬取網(wǎng)頁(yè)每個(gè)網(wǎng)頁(yè)都有唯一的統(tǒng)一資源定位器（URL）協(xié)議、主機(jī)名、資源名首先，爬蟲連接到一個(gè)DNS服務(wù)器上，DNS服務(wù)器轉(zhuǎn)換主機(jī)名為IP地址連接該IP地址的服務(wù)器建立連接后發(fā)送htt

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)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(kù)網(wǎng)僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論