搜索研究論文-簡(jiǎn)析搜索引擎的網(wǎng)絡(luò)爬蟲(chóng)技術(shù)

《搜索研究論文-簡(jiǎn)析搜索引擎的網(wǎng)絡(luò)爬蟲(chóng)技術(shù)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、搜索研宄論文-簡(jiǎn)析搜索引擎的網(wǎng)絡(luò)爬蟲(chóng)技術(shù)簡(jiǎn)析搜索引擎的網(wǎng)絡(luò)爬蟲(chóng)技術(shù)1網(wǎng)絡(luò)爬蟲(chóng)技術(shù)網(wǎng)絡(luò)爬蟲(chóng)也稱為“文檔抽取系統(tǒng)”，是構(gòu)成第三代搜索引擎系統(tǒng)的重要組成部分之一，主要由文檔適配器與信息爬行器組成，文檔適配器能夠處理不同類型的文檔，信息爬行器主要進(jìn)行頁(yè)面信息的收集工作，文檔抽取子系統(tǒng)首先根據(jù)配置文件的約定，定時(shí)產(chǎn)生信息爬行器對(duì)分布在網(wǎng)絡(luò)上的信息節(jié)點(diǎn)進(jìn)行遍歷，然后調(diào)用對(duì)應(yīng)的文檔適配器來(lái)抽取網(wǎng)絡(luò)文檔信息。文檔適配器能夠抽取的頁(yè)面文件種類繁多，能夠?qū)Ω鞣N類型的文檔以及多媒體文本信息等。信息爬行器為計(jì)算機(jī)程序的一個(gè)進(jìn)程或線程，通常采用并發(fā)工作

2、方式，以便能可能多、周期盡可能短地搜集網(wǎng)絡(luò)節(jié)點(diǎn)的頁(yè)面信息，同時(shí)還要避免死鏈接或無(wú)效鏈接。信息爬行器一般采用分布式并行計(jì)算技術(shù)來(lái)提高工作的廣度與速度2圖的遍歷算法網(wǎng)絡(luò)爬蟲(chóng)在網(wǎng)絡(luò)中執(zhí)行信息收集的過(guò)程實(shí)際上就是一種圖的遍歷的遍歷算法通常有兩種方式：即廣度優(yōu)先算法與深度優(yōu)先算法。下面就具體介紹一下兩種算法。通常深度優(yōu)先算法使用的數(shù)據(jù)結(jié)構(gòu)為棧，通過(guò)棧的出入特點(diǎn)進(jìn)行搜索，其過(guò)程首先從該圖的某個(gè)頂點(diǎn)或者子出發(fā)，將所有屬于該子圖的頂點(diǎn)信息的鏈接地址進(jìn)行壓棧操作，待所有頂點(diǎn)都操作完成后，然后將棧頂?shù)脑厝〕龈鶕?jù)該元素的URL，訪問(wèn)該元素URL所

3、指向的網(wǎng)絡(luò)，然后將該頁(yè)面的信息進(jìn)行收集與分析，從而得到該頁(yè)面內(nèi)部的所有的URL連接信息，再將該頁(yè)面所有的連接信息進(jìn)行壓棧從而按照?qǐng)D的廣度將圖上所有的鏈接進(jìn)行展開(kāi)操作，重復(fù)這些步驟就可以對(duì)圖進(jìn)行深度搜索遍歷，達(dá)到遍歷收集所有互聯(lián)網(wǎng)信息資源的目的。深度優(yōu)先搜索算法在展開(kāi)頁(yè)面鏈接時(shí)總是從棧頂進(jìn)行展開(kāi)，因此隨著時(shí)間的增加，棧的深度也在不斷增加，位于底部的元素可能會(huì)長(zhǎng)時(shí)間不能進(jìn)行處理，從而造成該算法陷入一個(gè)大的頁(yè)面而不能繼續(xù)展開(kāi)遍歷。為了避免這一問(wèn)題，可以采用廣度優(yōu)先搜索算法，廣度優(yōu)先搜索算法是通過(guò)隊(duì)列這種數(shù)據(jù)結(jié)構(gòu)進(jìn)行展開(kāi)的，根據(jù)各個(gè)元

4、素節(jié)點(diǎn)距離最初節(jié)點(diǎn)的層次對(duì)所有的網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行遍歷，從而對(duì)每個(gè)節(jié)點(diǎn)都能夠在訪問(wèn)全網(wǎng)一次的時(shí)間內(nèi)進(jìn)行公平處理，克服了深度優(yōu)先算法陷入局部節(jié)點(diǎn)的不足，也保證了不會(huì)漏掉隊(duì)列后面的的元素，從而達(dá)到了公平對(duì)待互聯(lián)網(wǎng)上所有節(jié)點(diǎn)資源的目的。在廣度優(yōu)先算法中，根據(jù)是否已經(jīng)對(duì)節(jié)點(diǎn)進(jìn)行訪問(wèn)，將爬行隊(duì)列構(gòu)造為兩部分：即待爬行隊(duì)列與己爬行隊(duì)列。待爬行隊(duì)列主要存儲(chǔ)需要進(jìn)行訪問(wèn)的元素節(jié)點(diǎn)URL,而URL在隊(duì)列中的先后順序則體現(xiàn)了算法的爬行策略。而已爬行隊(duì)列則主要存儲(chǔ)已經(jīng)訪問(wèn)過(guò)的URL,由于該隊(duì)列的長(zhǎng)度隨著時(shí)間的增加不斷增長(zhǎng)，因此需要優(yōu)化該隊(duì)列的插入與查詢操

5、作；在網(wǎng)絡(luò)爬蟲(chóng)的爬行過(guò)程中，不論是帶爬行隊(duì)列還是已爬行隊(duì)列，都需要頻繁進(jìn)行插入與查詢操作。因此，該隊(duì)列數(shù)據(jù)結(jié)構(gòu)的性能會(huì)直接影響搜索引擎的搜集性能。對(duì)爬行器來(lái)說(shuō)，網(wǎng)頁(yè)的采集與解析是核心工作。而爬行程序是否高效，主要取決于網(wǎng)頁(yè)采集的效率。其過(guò)程分為5個(gè)步驟：1）將待爬行隊(duì)列的第一個(gè)元素取出；2）訪問(wèn)DNS服務(wù)器，對(duì)URL進(jìn)行域名解析；3）根據(jù)ROBOT網(wǎng)絡(luò)協(xié)議，獲取該URL服務(wù)器的權(quán)限；4）若得到訪問(wèn)權(quán)限，則對(duì)服務(wù)器發(fā)出URL請(qǐng)求；5）通過(guò)HTTP協(xié)議進(jìn)行訪問(wèn)。網(wǎng)絡(luò)爬蟲(chóng)在工作時(shí)，若頻繁訪問(wèn)DNS服務(wù)器，可能會(huì)造成比較繁重的網(wǎng)絡(luò)負(fù)擔(dān)

6、，引起服務(wù)器響應(yīng)以及網(wǎng)絡(luò)延遲，會(huì)降低爬行程序的效率。因此，通常在本地服務(wù)器上建立一個(gè)DNS緩存來(lái)降低對(duì)DNS服務(wù)器的訪問(wèn)頻率。同時(shí)，為了提高爬行程序的效率，通常采用多線程或者多進(jìn)程來(lái)對(duì)網(wǎng)頁(yè)采集程序進(jìn)行流水線處理，多線程與多進(jìn)程程序設(shè)計(jì)相對(duì)比較復(fù)雜，需要解決的問(wèn)題主要是進(jìn)程的同步和互斥；也就是解決多個(gè)線程或進(jìn)程共享資源的問(wèn)題。造成死鎖的情況通常是占有一個(gè)資源然后又請(qǐng)求另一資源，因此，若系統(tǒng)只存在一個(gè)共享資源就不會(huì)造成會(huì)死鎖。為了解決餓死問(wèn)題，通常只采用一個(gè)等待對(duì)列，若待爬行隊(duì)列處于使用狀態(tài)，則將要訪問(wèn)該隊(duì)列的線程插入等待隊(duì)列。而

7、隊(duì)列的特點(diǎn)能夠保證了所有的等待線程都公平對(duì)待，從而解決了餓死問(wèn)題。具體算法如下：1）對(duì)爬行隊(duì)列上鎖。若爬行隊(duì)列己經(jīng)上鎖，則將該線程或進(jìn)程插入等待對(duì)列。2）取出待爬行隊(duì)列的URL元素。3）對(duì)爬行隊(duì)列解鎖，然后喚醒下一個(gè)進(jìn)程或線程。4）訪問(wèn)頁(yè)面，將頁(yè)面中的URL進(jìn)行解析。5）對(duì)爬行隊(duì)列上鎖。如爬行隊(duì)列己上鎖，則插入等待對(duì)列。6）將步驟4）得到的URL插入對(duì)列。7）對(duì)爬行隊(duì)列解鎖，喚醒下一個(gè)進(jìn)程或線程。8）重復(fù)1）——7）直到結(jié)束。3頁(yè)面解析在解決了互聯(lián)網(wǎng)節(jié)點(diǎn)頁(yè)面遍歷的問(wèn)題后，網(wǎng)絡(luò)爬蟲(chóng)剩下的工作就是頁(yè)面解析，頁(yè)面解析主要是分析與理解

8、HTML文檔。HTML作為一種標(biāo)記語(yǔ)言，能夠?qū)ヂ?lián)網(wǎng)節(jié)點(diǎn)的頁(yè)面外觀進(jìn)行標(biāo)準(zhǔn)化處理，從而規(guī)范互聯(lián)網(wǎng)節(jié)點(diǎn)頁(yè)面的外觀與功能。實(shí)際上，超文本標(biāo)記語(yǔ)言就是以普通文本為基礎(chǔ)，通過(guò)增加各種表現(xiàn)樣式以及字體、顏色標(biāo)簽來(lái)實(shí)現(xiàn)文檔的規(guī)范化。通常各種標(biāo)簽都用雙箭頭進(jìn)行標(biāo)識(shí)，而文本信息則位于之間。圖