基于hadoop的分布式網(wǎng)絡爬蟲系統(tǒng)的設計與實現(xiàn)

《基于hadoop的分布式網(wǎng)絡爬蟲系統(tǒng)的設計與實現(xiàn)》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。

1、學校代碼10459學號或申請?zhí)?01322172113密級專業(yè)碩士學位論文基于Hadoop的分布式網(wǎng)絡爬蟲系統(tǒng)的設計與實現(xiàn)作者姓名：薛超導師姓名：楊蓓副教授專業(yè)學位名稱：軟件工程培養(yǎng)院系：信息工程學院完成時間：2016年5月原創(chuàng)性聲明Ｊ本人部重聲明：所呈交的學位論文，是本人在導師的指導下，獨立進行研究。所取得的成果除文中已經(jīng)注明引用的巧容外，本論文不包含任何其他個人或集。體已經(jīng)發(fā)表或撰寫過的科研成果對本文的研巧作出重要貢獻的個人和集體，巧已在文中對明確方式標明。本聲明的法律責任由本人承擔。學位論文作者：日期：年＾月＞＜曰Ｓ學位論文使用授權聲明本人在導師指導下完

2、成的論文及相關的職務作品，知識產權歸屬鄭州大學。根據(jù)鄭州大學有關保留、使用學位論文的規(guī)定，同意學校保留或向國家有關部口或機構送交論文的復印件和電子版，允許論文被查閲和借閱；本人授權鄭州大學可將本學位論文的全部或部分編入有關數(shù)據(jù)庫進行檢索，可采用影印、縮巧或者其他復制手段保存論文和匯編本學位論文。本人離校后發(fā)表、使用學位論文一。或與該學位論文直接相關的學術論文或成果時，第署名單位仍然為鄭州大學保密論文在解密后應遵守此規(guī)定。６學位論文作者：日期：年＾月ｖ日AthesissubmittedtoZhengzhouUniversityforthedegreeofMaste

3、rDesignandImplementationofaDistributedWebCrawlerSystemBasedonHadoopByChaoXueSupervisor:A.Prof.BeiYangSoftwareEngineeringSchoolofInformationEngineeringMay2016摘要摘要隨著互聯(lián)網(wǎng)規(guī)模的不斷擴大，云計算、大數(shù)據(jù)的快速發(fā)展，互聯(lián)網(wǎng)資源的不斷增多，搜索引擎在信息檢索方面起著關鍵性的作用，在日常生活中人們已經(jīng)離不開搜索引擎，搜索引擎能夠為人們快速準確地提供所需要的信息。網(wǎng)絡爬蟲作為搜索引擎的關鍵組成部分，直接影響著搜索引擎的性能。本文基于Hadoop

4、平臺設計并實現(xiàn)了一個分布式網(wǎng)絡爬蟲系統(tǒng)。本文基于Hadoop分布式平臺、Hbase列式數(shù)據(jù)庫、Storm實時處理平臺以及網(wǎng)絡爬蟲的基本原理，結合用戶關于網(wǎng)絡爬蟲的實際需求，明確網(wǎng)絡爬蟲系統(tǒng)實現(xiàn)的總體目標、功能以及性能需求，設計出基于Hadoop的分布式網(wǎng)絡爬蟲系統(tǒng)架構。根據(jù)各個模塊的功能以及MapReduce計算框架的特點對每個模塊進行基于MapReduce計算框架的算法設計以及實現(xiàn)，在抓取任務模塊和解析頁面模塊將抓取狀態(tài)、解析狀態(tài)實時寫入到Kafka消息隊列，基于Storm平臺實時計算相關指標結果。最后搭建Hadoop分布式平臺和Storm實時處理平臺對本文所實現(xiàn)的分布式網(wǎng)絡爬蟲系統(tǒng)進行測試

5、。本文所實現(xiàn)的網(wǎng)絡爬蟲系統(tǒng)具有以下特點：將網(wǎng)絡爬蟲的抓取任務通過MapReduce分布式計算框架實現(xiàn)，從而將爬蟲任務并行化；將抓取到的數(shù)據(jù)存儲到Hbase分布式數(shù)據(jù)庫中，從而將數(shù)據(jù)均勻分布到各個節(jié)點上，并提高了數(shù)據(jù)讀寫速度；引入Storm實時計算平臺，實時統(tǒng)計網(wǎng)絡爬蟲運行過程中產生的相關指標。本文網(wǎng)絡爬蟲系統(tǒng)將抓取到的頁面內容存儲到Hbase數(shù)據(jù)庫中，解決了以往分布式網(wǎng)絡爬蟲將頁面內容存儲到HDFS文件系統(tǒng)中讀寫速度慢的問題，相對于單節(jié)點網(wǎng)絡爬蟲性能得到顯著提高，并支持可擴展性。關鍵詞：搜索引擎；網(wǎng)絡爬蟲；Hadoop；Hbase；StormIAbstractAbstractWiththera

6、piddevelopmentofInternet,thequickgrowingofbigdataandcloudcomputing,aswellasthecontinualincreasingofInternetresources,searchengineplaysanimportantroleintheinformationretrieval.Peoplehavebeeninseparablefromthesearchengineinthedailylife.Searchenginecanquicklyandaccuratelyprovidetheinformationneededforp

7、eople.Asthekeycomponentofthesearchengine,webcrawlerhasadirectimpactontheperformanceofsearchengine.ThisthesisdesignsandimplementsadistributedwebcrawlersystembasedonHadoopplatform.ThisthesisintroducesHa