網絡爬蟲技術在云平臺上的研究與實現.pdf_第1頁
已閱讀1頁,還剩83頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著互聯網的不斷發(fā)展,我們獲取信息的途徑逐漸被網絡所替代,但與此同時網絡信息量以驚人的速度在增長,面對這樣海量的數據,如何快速、精確的收集到所需數據是目前研究的熱點。目前很多公司為了提高抓取效率都采用了分布式網絡爬蟲技術,使用多臺機器來并行的從互聯網上抓取網絡數據。本文設計并實現了一個構建在云平臺上的分布式網絡爬蟲系統,利用云平臺的多種特性來提高網絡爬蟲的性能以及可擴展性。
  首先,本文針對云平臺的一些特性,以及現有的各種分布式

2、網絡爬蟲系統的局限性,提出了本文的網絡爬蟲系統的總體設計方案,并將系統按模塊劃分為控制節(jié)點模塊、爬蟲節(jié)點模塊和Web管理頁面模塊??刂乒?jié)點主要負責URL管理以及虛擬機管理,URL管理對新抓取到的URL進行URL標準化和基于Redis的布隆過濾器去重后,將其存儲在Redis的待抓取URL隊列中;虛擬機管理是利用云平臺按需申請資源的特點來動態(tài)調節(jié)爬蟲節(jié)點數量。爬蟲節(jié)點是真正進行網頁的抓取工作,包括網頁下載、網頁解析和數據存儲,針對網頁下載設

3、計了一種哈希鏈表的DNS緩存數據結構,以提高網頁下載速度;網頁解析采用模板化功能增強其通用性;數據存儲則是將收集到的大量數據存儲在云平臺的網盤上。Web管理頁面是可視化的管理整個爬蟲系統,通過Web頁面可創(chuàng)建爬蟲任務、管理爬蟲任務和監(jiān)控爬蟲節(jié)點。
  其次,在設計的基礎上對本文的網絡爬蟲系統進行了具體的實現。采用了Java語言來開發(fā)本系統的各個功能模塊,控制節(jié)點與爬蟲節(jié)點間的信息交互使用了Socket編程技術。網頁下載模塊使用了H

4、ttpClient組件來獲取網頁數據,并設置了多種網頁下載失敗處理措施。網頁解析模塊將正則表達式、XPath和Css Selector進行組合,以鏈式的方式抽取數據。Web管理頁面是基于Spring MVC框架和Jetty容器來實現的,使用了JSP、JavaScript、AJAX等Web編程技術。
  再次,將本文的網絡爬蟲系統部署到實驗室的云平臺上,從功能、性能和可擴展性三個方面對其進行測試,并對測試的結果進行了分析,測試結果表

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,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論