主題爬蟲(chóng)URL分析模型與高度技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展,網(wǎng)絡(luò)上的信息數(shù)量激增。面對(duì)著數(shù)量龐大、紛繁復(fù)雜的互聯(lián)網(wǎng)信息,用戶如何可以快速、準(zhǔn)確并且全面地查找到自己所需要的信息已經(jīng)成為一個(gè)非常重要的問(wèn)題。傳統(tǒng)的通用搜索引擎面對(duì)這一問(wèn)題已經(jīng)越來(lái)越力不從心,因?yàn)橐晃蹲非蟾吒采w率而造成了資源浪費(fèi),并且返回給用戶的查詢結(jié)果中經(jīng)常包含用戶不關(guān)心的網(wǎng)頁(yè)。針對(duì)這些問(wèn)題,垂直搜索引擎應(yīng)運(yùn)而生,它只收集與用戶關(guān)心的主題相關(guān)的網(wǎng)頁(yè)。主題爬蟲(chóng)是垂直搜索引擎的重要組成部分,它負(fù)責(zé)分析網(wǎng)頁(yè)是否與主題相

2、關(guān)和具體的抓取過(guò)程。
　　 主題爬蟲(chóng)有兩個(gè)重要問(wèn)題:如何判斷一個(gè)待爬取網(wǎng)頁(yè)是否與主題相關(guān)以及如何調(diào)度URL。針對(duì)這兩個(gè)問(wèn)題,本文在國(guó)內(nèi)外相關(guān)研究的基礎(chǔ)上,分別提出了一種解決方案:
　　 傳統(tǒng)的基于內(nèi)容評(píng)價(jià)的URL分析模型雖然準(zhǔn)確率較高,但是效率較低,而且可能給予質(zhì)量不高的網(wǎng)頁(yè)較高的得分,而基于鏈接評(píng)價(jià)的URL分析模型卻完全忽略了網(wǎng)頁(yè)內(nèi)容,容易造成“主題漂移”問(wèn)題。本文將兩者有機(jī)地結(jié)合在一起,并引入用戶查詢來(lái)修正主題描述,

3、設(shè)計(jì)了一種內(nèi)容評(píng)價(jià)與鏈接評(píng)價(jià)相結(jié)合的URL分析模型,通過(guò)實(shí)驗(yàn)證明了該模型在準(zhǔn)確率等性能上的提高。
　　 現(xiàn)有的爬蟲(chóng)URL調(diào)度技術(shù)都存在著一定的問(wèn)題,如易形成控制節(jié)點(diǎn)瓶頸、URL分配不均衡等。本文針對(duì)這些問(wèn)題設(shè)計(jì)了一種面向多節(jié)點(diǎn)并行爬取的URL調(diào)度方案。該方案采用擴(kuò)展bloom filter模型進(jìn)行URL去重,采用一致性哈希進(jìn)行URL分配,采用UDT協(xié)議進(jìn)行URL批量傳輸。最后將這種方案應(yīng)用于主題爬蟲(chóng)中,通過(guò)實(shí)驗(yàn)證明了該方案負(fù)載比