基于领域的网络爬虫技术的研究与实现

论文摘要

随着Web信息爆炸式的增长,如何有效的在Web中获取有用的信息已变得及其困难。搜索引擎在信息检索中扮演着重要的作用,已经为人们在日常生活中进行信息检索不可缺少的工具。Yahoo、Google、MSN、百度等商业搜索引擎正是众多通用搜索引擎中最成功的典范,但随着网络变得越来越复杂,这些通用的搜索引擎也有时会在信息领航中也会迷失方向。然而,最近几年对各种搜索技术的研究方兴未艾,基于P2P技术的流媒体搜索、元搜索技术、垂直搜索技术等都成为了搜索领域研究的热点。本文的核心工作就是对主题相关的网络爬虫进行研究。首先深入分析一个大规模的搜索引擎,细述了其工作原理,常用的几种搜索策略,并分析了其优劣点,随后从两个方面分析了WEB爬虫的技术实现困境:一是通用搜索引擎需要解决的技术问题,二是通用搜索引擎存在的局限性。接着给出了主题相关的网络爬虫的实现框图。考虑到如何克服高度并发、以及对网络带宽的占用问题,提出了设计一个DNS解析器,以便于有效的利用网络带宽,减少网络传输延时;为了高效的对页面进行抓取,保证在进行并行抓取时,各进程间通信的问题,让各个组件之间高效的工作,在设计中引入了非阻塞套接字技术。URL的调度技术在网络爬虫系统的设计中起着关键的作用,提出了基于概率模型的启发示度量规则,让我们的网络系统有着更加智能的路由功能,以便于始终可以向着用户设定的主题进行页面获取。在给出了基于概率模型的启发示度量规则后,更进一步的提出了基于最佳优先搜索的隧道技术,用于克服对某个主题在进行抓取多次后,若偏离了原先的主题,可以让其迅速停止工作,从而在URL队列中选取下一个URL作为下一次的页面抓取出发点。考虑到技术的完整性,简要的给出网络爬虫的其他相关技术的实现。文本分类是主题网络爬虫不可缺少的技术组件。本文提出了一种改进的贝叶斯分类算法,通用的贝叶斯分类器认为所有的所有词项的重要性都是等概率的,在这里认为应更加的倾向于各标题中的词项。最后,设计了一个Focused-Crawler的原型,给出实验数据。通过对比,分析、测试、比较了各算法之间的优劣。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题的背景
• 1.2 搜索引擎的发展现状
• 1.3 文本分类技术概述
• 1.4 本文的结构及研究的内容
• 第2章 网络爬虫
• 2.1 网络爬虫概述
• 2.1.1 网络爬虫的工作原理
• 2.1.2 网络爬虫的搜索策略
• 2.2 网络爬虫的实现
• 2.2.1 网络爬虫的技术实现
• 2.2.2 Web爬行的实现困境
• 2.3 本章小结
• 第3章 面向领域的Web爬行器
• 3.1 领域相关的网络爬虫
• 3.1.1 爬虫结构的设计
• 3.1.2 爬虫的技术实现路径图
• 3.2 域名解析器的设计
• 3.3 并行抓取策略的实现
• 3.3.1 多线程技术
• 3.3.2 非阻塞套接字技术
• 3.4 URL调度实现
• 3.4.1 基于概率模型的启发式度量规则
• 3.4.2 URL调度策略及数据结构
• 3.4.3 基于最佳优先搜索的隧道技术
• 3.5 页面存储技术的实现
• 3.5.1 页面存储
• 3.5.2 布尔查询与反向索引技术
• 3.5.3 页面存储库更新
• 3.5.4 索引压缩技术
• 3.6 其他相关技术实现
• 3.6.1 HTML分析模块
• 3.6.2 URL过滤模块
• 3.6.3 更新抓取实现策略
• 3.6.4 监测管理器的实现策略
• 3.7 本章小结
• 第4章 Web文本分类器
• 4.1 文本分类原理
• 4.2 HTML文本的表示形式
• 4.2.1 向量空间模型（VSM）
• 4.2.2 评估页面与用户查询主题的相关度
• 4.3 朴素贝叶斯分类器
• 4.3.1 朴素贝叶斯分类器
• 4.3.2 改进的朴素贝叶斯分类算法
• 4.4 本章小结及实验数据
• 4.4.1 文本分类实验
• 4.4.2 本章小结
• 第5章 实验与数据分析
• 5.1 实验步骤
• 5.1.1 定义爬虫结构
• 5.1.2 实现爬虫算法
• 5.2 爬虫实验数据
• 5.3 实验结果分析
• 第6章 总结和展望
• 参考文献
• 致谢
• 攻读硕士期间发表的学术论文