已閱讀1頁，還剩72頁未讀， 繼續(xù)免費閱讀
版權說明：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，請進行舉報或認領
文檔簡介
1、自互聯(lián)網(wǎng)誕生以來,網(wǎng)絡信息每年幾乎都成指數(shù)量增長。搜索引擎是人們獲得互聯(lián)網(wǎng)信息的重要工具,但是傳統(tǒng)的搜索引擎利用網(wǎng)絡爬蟲從互聯(lián)網(wǎng)上大規(guī)模的搜集到的信息其中很多信息是完全重復或近似重復的,還有很多信息是用戶不需要的,這樣就加重了用戶使用搜索引擎的負擔。而垂直搜索引擎能夠精確的獲得用戶關心的相關領域信息。垂直搜索引擎不像通用搜索引擎那樣,它僅僅搜集某一特定領域相關的網(wǎng)頁內(nèi)容。
本文首先描述了垂直搜索引擎的工作原理,并討論了垂直搜索
2、引擎的幾個關鍵技術,主要技術包括:網(wǎng)絡爬蟲技術、中文分詞技術、網(wǎng)頁預處理技術、網(wǎng)頁去重技術、索引和檢索技術等。對包含這幾項關鍵技術的功能模塊進行了詳細描述并進行具體實現(xiàn)。
本文設計了一個多線程網(wǎng)絡爬蟲,使其高效的爬取互聯(lián)網(wǎng)資源,并使用布隆過濾器,用來排除重復的 url;網(wǎng)頁主題內(nèi)容提取部分實現(xiàn)了基于網(wǎng)頁內(nèi)容結構和正則表達式技術的算法,和其他網(wǎng)頁主題內(nèi)容提取技術相比,性能有所提高;網(wǎng)頁索引部分,采用Lucene技術,高效的建立了
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(lián)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(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權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. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)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。
最新文檔
- 搜索引擎中文分詞原理與實現(xiàn)
- 基于內(nèi)容的搜索引擎網(wǎng)頁去重研究.pdf
- 中文分詞在農(nóng)業(yè)垂直搜索引擎中的應用研究.pdf
- 搜索引擎中近似鏡像網(wǎng)頁去重研究.pdf
- 中文分詞技術在搜索引擎中的研究與應用.pdf
- 垂直搜索引擎中分詞和排序技術的研究與應用.pdf
- 搜索引擎去重算法的研究與實現(xiàn).pdf
- 專業(yè)搜索引擎中網(wǎng)頁去重技術研究.pdf
- 搜索引擎中文分詞技術研究.pdf
- 新聞垂直搜索引擎的設計.pdf
- 搜索引擎系統(tǒng)網(wǎng)頁消重的研究與實現(xiàn).pdf
- 基于Nutch搜索引擎的中文分詞算法研究與實現(xiàn).pdf
- 基于PageRank算法的中文垂直搜索引擎的研究與應用.pdf
- 基于網(wǎng)頁結構特征的垂直搜索引擎研究與實現(xiàn).pdf
- 基于中文分詞的搜索引擎設計實現(xiàn).pdf
- 校園網(wǎng)搜索引擎中網(wǎng)頁去重技術的研究.pdf
- 移動中文新聞搜索引擎的設計與實現(xiàn).pdf
- 搜索引擎中中文分詞與糾錯模塊的設計與實現(xiàn).pdf
- 垂直搜索引擎的主題網(wǎng)頁抓取策略研究.pdf
- 搜索引擎系統(tǒng)中網(wǎng)頁消重的研究與實現(xiàn).pdf
評論
0/150
提交評論