分布式爬蟲任務(wù)調(diào)度與AJAX頁面抓取研究.pdf

1、隨著互聯(lián)網(wǎng)的迅速發(fā)展，數(shù)據(jù)呈現(xiàn)爆炸性增長，同時人們對數(shù)據(jù)的采集需求也與日俱增。網(wǎng)絡(luò)爬蟲作為數(shù)據(jù)獲取的有效手段被廣泛應(yīng)用于各類系統(tǒng)中，諸如搜索引擎、輿情監(jiān)控系統(tǒng)等。然而，面向中小規(guī)模系統(tǒng)的網(wǎng)絡(luò)爬蟲面臨著兩大難題：其一，單機爬蟲程序抓取速度慢，已有的開源分布式爬蟲框架實現(xiàn)復(fù)雜，靈活性不強；其二，雖然Ajax技術(shù)以異步加載的方式與服務(wù)器交換必要的數(shù)據(jù)能夠提高用戶界面響應(yīng)速度，帶來良好的用戶體驗，但是傳統(tǒng)的網(wǎng)頁抓取方式無法完整的獲取應(yīng)用了這項技

2、術(shù)的頁面所包含的信息。這些缺失的信息通常具有重要的研究價值。在面向中小規(guī)模系統(tǒng)的分布式爬蟲中，任務(wù)調(diào)度算法的優(yōu)劣將直接影響系統(tǒng)的抓取效率。因此，本文重點對分布式爬蟲的任務(wù)調(diào)度策略和Ajax頁面抓取算法進行了研究。
　　在分布式爬蟲的任務(wù)調(diào)度方面，本文重點研究了主從式架構(gòu)下的任務(wù)調(diào)度算法。為了保證各個爬行節(jié)點的負載均衡以及系統(tǒng)的可擴展性，本文提出了一種基于一致性哈希的均分負載空間算法。該算法采用了不同于機器節(jié)點復(fù)制的虛擬節(jié)點添加方法

3、，以解決在機器數(shù)量較少的情況下系統(tǒng)負載不均衡問題。中心節(jié)點在把握系統(tǒng)整體運行狀態(tài)的基礎(chǔ)上采用該算法進行任務(wù)調(diào)度，并在爬行節(jié)點發(fā)生變化后進行相應(yīng)的任務(wù)調(diào)整。通過實驗比較，驗證了該算法在負載均衡效率方面獲得了提高。
　　在Ajax頁面抓取方面，由于單個Ajax頁面中包含了許多狀態(tài)，本文首先采用了經(jīng)典的狀態(tài)流圖對Ajax頁面進行建模，然后提出了基于網(wǎng)頁主體內(nèi)容變化的重復(fù)狀態(tài)檢測算法，并利用該算法進行有效元素的XPath特征訓(xùn)練，最后將訓(xùn)