2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩80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、隨著互聯(lián)網(wǎng)的快速普及發(fā)展,互聯(lián)網(wǎng)已經(jīng)融入人們生活的各個方面?;ヂ?lián)網(wǎng)已經(jīng)成為人們社交、獲取信息的重要的載體。人們將旅游路線、旅游景點、評價、感悟都分享在互聯(lián)網(wǎng)上,隨著旅游人數(shù)不斷增多以及用戶分享旅游信息快速增長,旅游景區(qū)網(wǎng)站、旅游網(wǎng)站等迅速發(fā)展,為用戶提供更多豐富旅游信息。面對大數(shù)據(jù)時代到來,大數(shù)據(jù)與旅游業(yè)結(jié)合越來越緊密,如何將復(fù)雜的互聯(lián)網(wǎng)旅游信息進行準確的收集整理以解決旅游信息數(shù)據(jù)量相對不足的核心問題。
  在互聯(lián)網(wǎng)上的旅游信息有

2、各種數(shù)據(jù)類型,如結(jié)構(gòu)化的文本信息、半結(jié)構(gòu)化的網(wǎng)頁、無結(jié)構(gòu)的文本信息以及非結(jié)構(gòu)化視頻等文件類型,在 Web上旅游信息網(wǎng)頁結(jié)構(gòu)是異構(gòu)的、包含很多旅游信息無關(guān)的數(shù)據(jù)。因此,我們急需要解決主要問題有:如何從 Web上網(wǎng)頁精確抽取旅游信息;如何避免噪音數(shù)據(jù)的干擾;如何實現(xiàn)對大規(guī)模的數(shù)據(jù)存儲;如何快速從大規(guī)模的數(shù)據(jù)中查看所需要的旅游信息。
  針對以上存在問題,本文提出基于Hadoop云計算數(shù)據(jù)采集模型的整合方案包含旅游信息收集、旅游網(wǎng)頁信息

3、抽取、信息檢索這三部分?;赪ebcollector開源網(wǎng)絡(luò)爬蟲框架來實現(xiàn)旅游信息的采集;對WebCollector進行二次開發(fā),使用布隆過濾器去重URL、多線程解決 DNS解析瓶頸、廣度優(yōu)先遍歷策略等;收集旅游信息數(shù)據(jù)存儲到分布式HBase數(shù)據(jù)庫中和分布式文件系統(tǒng)(HDFS Hadoop Distributed File System)上;為了實現(xiàn)網(wǎng)頁去重,論文設(shè)計了MapReduce并行化LCS(Longest Common Sub

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(dāng)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