支持AJAX的分布式爬蟲系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、現(xiàn)代社會互聯(lián)網(wǎng)技術(shù)日新月異,互聯(lián)網(wǎng)產(chǎn)品也如雨后春筍一般層出不窮,AJAX技術(shù)越來越受到開發(fā)者的青睞。此技術(shù)對傳統(tǒng)的網(wǎng)絡(luò)爬蟲卻是不友好的,使用傳統(tǒng)的網(wǎng)頁抓取方式獲得內(nèi)容是不完整的,因此,研究支持AJAX的網(wǎng)絡(luò)爬蟲系統(tǒng),具有重要的現(xiàn)實(shí)意義。
　　本文首先調(diào)研了異步加載網(wǎng)頁獲取方式的國內(nèi)外研究現(xiàn)狀,闡述了其收錄困難的原因,分析了當(dāng)前抓取方案的優(yōu)勢和不足,提出了調(diào)用瀏覽器接口請求并獲取網(wǎng)頁的方案。其次,為了提高網(wǎng)頁抓取效率,協(xié)調(diào)好AJAX

2、爬蟲和靜態(tài)網(wǎng)頁爬蟲的資源調(diào)配,本文提出了一個網(wǎng)頁屬性分類器的解決方案,此方案能通過網(wǎng)頁處理模塊的正文抽取結(jié)果反饋并修正分類結(jié)果,根據(jù)分類結(jié)果對不同的網(wǎng)頁采取不同的抓取方法。最后,為了維護(hù)分布式系統(tǒng)的健康運(yùn)行,系統(tǒng)設(shè)計了心跳信息監(jiān)測模塊,此模塊將收集分布式系統(tǒng)的心跳信息并統(tǒng)計分析系統(tǒng)健康度。
　　本文所研究和實(shí)現(xiàn)的支持AJAX的分布式爬蟲系統(tǒng),能夠收錄異步加載的網(wǎng)頁和普通的靜態(tài)頁面,并能夠?qū)崿F(xiàn)抓取任務(wù)高效的分配,為異步加載網(wǎng)頁的抓取