版權(quán)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(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、南開大學(xué)碩士學(xué)位論文基于Scrapy框架的新聞實(shí)時(shí)抓取及處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)姓名:林偉堅(jiān)申請學(xué)位級別:碩士專業(yè):計(jì)算機(jī)軟件與理論指導(dǎo)教師:袁曉潔201205AbstractAbstractWiththerapiddevelopmentofIntemet,theinformationexplosionoftheIntemetbringstheproblemofinformationoverloadThereleasemethodofnew
2、shasbeenshiftfromtraditionalmediatotheIntemetAsanimportantpartoftheInternetinformation,newsalsoincreasesdramaticallyInordertomakeitmoreeasytogetthenews,thepaperdesignsarealtimedistributednewscrawlertoaggregatethenewsinth
3、eIntemetandapipelinetoprocessthenewsdataThepapersanalyzesandsummarizesthecharacteristicsofIntemetnews,newssitesandnewscrawleranddesignscorealgorithmsofthenewscrawlerbasedonthesecharacteristics,whicharecrawlingstrategyand
4、updatingstrategyBasedontwoopensourcedatabases,RedisandMongoDB,andScrapyCrawlerFramework,thepaperdesignsareal—timedistributednewscrawler,whichusesXPathandregularexpressionstoextractandidentifytherelevantdataThepaperalsoim
5、plementsanewsdataprocessingpipeline,includingnewsdataextraction,propertiesnormalization,newspagescombinerandnewscontentcleaningAccordingtothecharacteristicsofthenews,thepaperusesShinglesasthefeatureextractionmethodandGoo
6、gle’SSimHashasthenearduplicatesdetectingalgorithmThenewscrawlerandprocessingpipelinehavebeensetupinactualproductionBycrawlingandmonitoringmorethan120newssitesandmorethan1300initialnavigationpage,everydaythesystemisableto
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(quán)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(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)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(hù)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(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)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
- 基于Scrapy的分布式網(wǎng)絡(luò)新聞抓取系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 金融數(shù)據(jù)Web抓取及處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于FPGA的實(shí)時(shí)圖像處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于DirectShow的實(shí)時(shí)視頻處理系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn).pdf
- 基于DSP的實(shí)時(shí)視頻圖像處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于FPGA的通用實(shí)時(shí)信號處理系統(tǒng)的硬件設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于FPGA的實(shí)時(shí)圖像采集與處理系統(tǒng)設(shè)計(jì).pdf
- 基于SOPC的實(shí)時(shí)圖像處理系統(tǒng)設(shè)計(jì).pdf
- 基于應(yīng)用框架的分布式文檔處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于dsp的實(shí)時(shí)語音處理系統(tǒng)的設(shè)計(jì)
- 基于多DSP的SAR圖像實(shí)時(shí)處理系統(tǒng)設(shè)計(jì)與算法實(shí)現(xiàn).pdf
- EMCCD實(shí)時(shí)圖像處理系統(tǒng)設(shè)計(jì)及FPGA實(shí)現(xiàn).pdf
- 基于ARM+FPGA的高分實(shí)時(shí)視頻處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于MES的實(shí)時(shí)數(shù)據(jù)處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 高速實(shí)時(shí)并行信號處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于FPGA的實(shí)時(shí)圖像處理系統(tǒng)設(shè)計(jì)與研究.pdf
- 視頻圖像實(shí)時(shí)處理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于FPGA的實(shí)時(shí)視頻處理系統(tǒng)設(shè)計(jì).pdf
- 機(jī)載SAR實(shí)時(shí)成像處理系統(tǒng)設(shè)計(jì)及硬件實(shí)現(xiàn).pdf
- 高速實(shí)時(shí)信號處理系統(tǒng)的FPGA軟件設(shè)計(jì)與實(shí)現(xiàn).pdf
評論
0/150
提交評論