網(wǎng)絡(luò)爬蟲技術(shù)_第1頁
網(wǎng)絡(luò)爬蟲技術(shù)_第2頁
網(wǎng)絡(luò)爬蟲技術(shù)_第3頁
網(wǎng)絡(luò)爬蟲技術(shù)_第4頁
網(wǎng)絡(luò)爬蟲技術(shù)_第5頁
已閱讀5頁,還剩1頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

網(wǎng)絡(luò)爬蟲技術(shù)網(wǎng)絡(luò)機(jī)器人1.概念:它們是Web上獨(dú)自運(yùn)行的軟件程序,它們不斷地篩選數(shù)據(jù),做出自己的決定,能夠使用Web獲取文本或者進(jìn)行搜索查詢,按部就班地完成各自的任務(wù)。2.分類:購物機(jī)器人、聊天機(jī)器人、搜索機(jī)器人(網(wǎng)絡(luò)爬蟲)等。搜索引擎1.概念:從網(wǎng)絡(luò)上獲得網(wǎng)站網(wǎng)頁資料,能夠建立數(shù)據(jù)庫并提供查詢的系統(tǒng)。2.分類(按工作原理):全文搜索引擎、分類目錄。1>全文搜索引擎數(shù)據(jù)庫是依靠網(wǎng)絡(luò)爬蟲通過網(wǎng)絡(luò)上的各種鏈接自動(dòng)獲取大量網(wǎng)頁信息內(nèi)容,并按一定的規(guī)則分析整理形成的。(百度、Google)2>分類目錄:按目錄分類的網(wǎng)站鏈接列表而已,通過人工的方式收集整理網(wǎng)站資料形成的數(shù)據(jù)庫。(國(guó)內(nèi)的搜狐)網(wǎng)絡(luò)爬蟲1.概念:網(wǎng)絡(luò)爬蟲也叫網(wǎng)絡(luò)蜘蛛,它是一個(gè)按照一定的規(guī)則自動(dòng)提取網(wǎng)頁程序,其會(huì)自動(dòng)的通過網(wǎng)絡(luò)抓取互聯(lián)網(wǎng)上的網(wǎng)頁,這種技術(shù)一般可能用來檢查你的站點(diǎn)上所有的鏈接是否是都是有效的。當(dāng)然,更為高級(jí)的技術(shù)是把網(wǎng)頁中的相關(guān)數(shù)據(jù)保存下來,可以成為搜索引擎。搜索引擎使用網(wǎng)絡(luò)爬蟲尋找網(wǎng)絡(luò)內(nèi)容,網(wǎng)絡(luò)上的HTML文檔使用超鏈接連接了起來,就像織成了一張網(wǎng),網(wǎng)絡(luò)爬蟲也叫網(wǎng)絡(luò)蜘蛛,順著這張網(wǎng)爬行,每到一個(gè)網(wǎng)頁就用抓取程序?qū)⑦@個(gè)網(wǎng)頁抓下來,將內(nèi)容抽取出來,同時(shí)抽取超鏈接,作為進(jìn)一步爬行的線索。網(wǎng)絡(luò)爬蟲總是要從某個(gè)起點(diǎn)開始爬,這個(gè)起點(diǎn)叫做種子,你可以告訴它,也可以到一些網(wǎng)址列表網(wǎng)站上獲取。2.區(qū)別:網(wǎng)絡(luò)爬蟲分類通用爬蟲聚集爬蟲工作原理從一個(gè)或多個(gè)初始網(wǎng)頁的URL開始,獲取初始網(wǎng)頁的URL,抓取網(wǎng)頁的同時(shí),從當(dāng)前網(wǎng)頁提取相關(guān)的URL放入隊(duì)列中,直到滿足程序的停止條件。根據(jù)一定的網(wǎng)頁分析算法過濾與主題無關(guān)的鏈接,保留有用的鏈接(爬行的范圍是受控的)放到待抓取的隊(duì)列中,通過一定的搜索策略從隊(duì)列中選擇下一步要抓取的URL,重復(fù)以上步驟,直到滿足程序的停止條件。不同點(diǎn)增加了一些網(wǎng)頁分析算法和網(wǎng)頁搜索策略對(duì)被爬蟲抓取的網(wǎng)頁將會(huì)被系統(tǒng)存貯,進(jìn)行一定的分析、過濾,并建立索引,以便之后的查詢和檢索,這一過程所得到的分析結(jié)果還可能對(duì)以后的抓取過程給出反饋和指導(dǎo)。缺點(diǎn)不同領(lǐng)域、不同背景的用戶有不同的檢索目的和需求,通用搜索引擎所返回的結(jié)果包含大量用戶不關(guān)心的網(wǎng)頁。通用引擎的目標(biāo)是大的網(wǎng)絡(luò)覆蓋率。只支持關(guān)鍵字搜索,不支持根據(jù)語義的搜索。通用搜索引擎對(duì)一些像圖片、音頻等信息含量密集且具有一定結(jié)構(gòu)的數(shù)據(jù)無法獲取。對(duì)抓取目標(biāo)的描述或定義。對(duì)網(wǎng)頁和數(shù)據(jù)的分析和過濾。對(duì)URL的搜索策略。以上三個(gè)是需要解決的問題。算法廣度優(yōu)先算法現(xiàn)有聚焦爬蟲對(duì)抓取目標(biāo)的描述可分為基于目標(biāo)網(wǎng)頁特征、基于目標(biāo)數(shù)據(jù)模式和基于領(lǐng)域概念3種?;谀繕?biāo)網(wǎng)頁特征的爬蟲所抓取、存儲(chǔ)并索引的對(duì)象一般為網(wǎng)站或網(wǎng)頁。根據(jù)種子樣本獲取方式可分為:(1)預(yù)先給定的初始抓取種子樣本;(2)預(yù)先給定的網(wǎng)頁分類目錄和與分類目錄對(duì)應(yīng)的種子樣本,如Yahoo!分類結(jié)構(gòu)等; (3)通過用戶行為確定的抓取目標(biāo)樣例,分為:a)用戶瀏覽過程中顯示標(biāo)注的抓取樣本;b)通過用戶日志挖掘得到訪問模式及相關(guān)樣本。其中,網(wǎng)頁特征可以是網(wǎng)頁的內(nèi)容特征,也可以是網(wǎng)頁的鏈接結(jié)構(gòu)特征,等等。3.算法/策略名稱網(wǎng)頁分析算法網(wǎng)頁搜索策略分類1.基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)1>網(wǎng)頁粒度分析算法2>網(wǎng)站粒度分析算法3>網(wǎng)頁塊粒度分析算法2.基于網(wǎng)頁內(nèi)容1>針對(duì)以文本和超鏈接為主的網(wǎng)頁2>針對(duì)從結(jié)構(gòu)化的數(shù)據(jù)源動(dòng)態(tài)生成的網(wǎng)頁。3>針對(duì)數(shù)據(jù)介于第一類和第二類之間3.基于用戶訪問行為1.深度優(yōu)先策略2.廣度優(yōu)先策略3.最佳優(yōu)先策略一些算法的介紹1>網(wǎng)頁分析算法的網(wǎng)站,這樣的網(wǎng)站已經(jīng)涵蓋了大部分高質(zhì)量的站點(diǎn),爬蟲程序就沿著這些鏈接爬行。在爬行過程中,最重要的就是判斷一個(gè)網(wǎng)頁是否已經(jīng)被爬行過。

在爬蟲開始的時(shí)候,需要給爬蟲輸送一個(gè)URL列表,這個(gè)列表中的URL地址便是爬蟲的起始位置,爬蟲從這些URL出發(fā),開始了爬行

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(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。

評(píng)論

0/150

提交評(píng)論