Web信息采集系統(tǒng)設計與實現(xiàn).pdf

1、隨著移動終端的快速發(fā)展和普及，人們越來越習慣通過在移動終端上安裝閱讀類應用軟件獲取感興趣的信息，與之伴隨的是平臺供應商（也包括內容提供商）必須構建相應的技術平臺來支撐這樣的業(yè)務模式。而這個平臺的內容來源可通過兩種方式獲取。一種是手工編輯，另一種是通過程序自動采集信息源的內容。本文針對后者設計了一套Web信息采集的解決方案。
　　 論文首先介紹了課題的研究背景，研究現(xiàn)狀，以及信息抽取的相關技術和信息采集的工作原理，并對網(wǎng)頁結構進行

2、分析;接著，分析了系統(tǒng)的功能和面向的用戶，運用用例圖和用例規(guī)約對系統(tǒng)進行用例建模，分析了系統(tǒng)的非功能需求;然后，對系統(tǒng)進行總體設計和數(shù)據(jù)庫設計;再次，對系統(tǒng)進行了詳細設計與實現(xiàn);最后，對系統(tǒng)進行測試，驗證了本方案的有效性。本文的主要工作如下:
　　 1.本文研究了如何在HTML文檔中快速定位目標信息的方法，通過利用HTML標簽和屬性及DOM的路徑表達式設計了信息的抽取規(guī)則，采用可視化界面和簡單的人機交互來自動生成信息的抽取規(guī)則，

3、并在此基礎上設計了一種實用的正文去噪解決方案。
　　 2.本課題包括采集配置子系統(tǒng)和采集子系統(tǒng)兩部分組成。采集配置子系統(tǒng)可將配置的采集任務通過Socket機制傳遞給采集子系統(tǒng)，從而控制采集任務的開啟、停止操作，使得用戶不必關心采集運行過程即可得到采集結果。
　　 3.采集子系統(tǒng)根據(jù)用戶已配置的采集任務，運用多線程技術、數(shù)據(jù)庫連接池技術、動態(tài)采集策略、多頁面合并技術，定時對這些網(wǎng)站進行信息采集、抽取、去噪、去重等，實現(xiàn)對相