主題爬蟲的研究與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩73頁未讀, 繼續(xù)免費閱讀

下載本文檔

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),請進行舉報或認領(lǐng)

文檔簡介

1、通用搜索引擎,在很大程度上解決了人們在Web上查找信息的困難,但是隨著信息多元化的增長,也存在著種種不足。如:查準率查全率低、內(nèi)容相對陳舊、信息分布不平衡等。因此,主題搜索引擎應(yīng)運而生,它專門為某一特定領(lǐng)域、某一特定人群或某一特定需求提供有一定價值的信息和相關(guān)服務(wù)。主題爬蟲是主題搜索引擎的信息采集部分,負責(zé)對用戶感興趣的某一主題的網(wǎng)頁進行抓取。因此,主題爬蟲得到越來越多研究者的關(guān)注。
   本文對爬蟲的工作原理和相關(guān)難點進行了分

2、析,設(shè)計了主題爬蟲的架構(gòu)。通過對幾種經(jīng)典的主題采集策略的深入研究,提出了一種新的策略。該策略由頁面主題判定和Url主題預(yù)測組成。頁面主題判定是采用文本分類技術(shù)對已抓取到的網(wǎng)頁進行主題相關(guān)性判定從而決定網(wǎng)頁以及鏈接的取舍,Url主題預(yù)測為下一輪抓取選擇主題相關(guān)的Url。將該策略應(yīng)用到主題爬蟲中,并對主題爬蟲的種子注入、抓取、解析、文本訓(xùn)練、頁面的主題判定、Url更新及主題預(yù)測幾個組成部分加以實現(xiàn)。
   實驗結(jié)果證明:主題爬蟲能夠

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(zé)。
  • 6. 下載文件中如有侵權(quán)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(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。

評論

0/150

提交評論