基于Chrome瀏覽器插件的爬蟲系統(tǒng).pdf

1、隨著大數(shù)據(jù)時代的來臨，網絡信息以“爆炸”的方式增長，以新浪微博為例，其日均微博更新多達1.2億條，但在信息空前豐富的前提下，用戶獲取自己需要數(shù)據(jù)的難度也日趨增加。傳統(tǒng)搜索引擎如百度、Google等提供的零散結果已經不能滿足用戶的需求，人們不論在專業(yè)數(shù)據(jù)分析還是在日常生活方面更需要的是經過有效整合的數(shù)據(jù)，整合互聯(lián)網數(shù)據(jù)要使用網絡爬蟲技術。然而目前常用的網絡爬蟲系統(tǒng)開發(fā)難度大，穩(wěn)定性差并且使用不友好，已經不能滿足當今用戶的需求，因此研究設計

2、一種開發(fā)擴展簡單，穩(wěn)定性高，適用范圍廣以及使用友好的網絡爬蟲系統(tǒng)具有非常重要的價值。
　　本文先研究了國內外現(xiàn)有網絡爬蟲技術、網絡爬蟲系統(tǒng)和反爬蟲策略的現(xiàn)狀，分析了現(xiàn)有網絡爬蟲系統(tǒng)實現(xiàn)過程復雜、穩(wěn)定性差和使用不友好的原因，并且基于此提出了基于Chrome擴展的網絡爬蟲系統(tǒng)。其次，為了滿足不同的需求和發(fā)揮互聯(lián)網的優(yōu)勢，提出了在基于Chrome擴展的網絡爬蟲系統(tǒng)中實現(xiàn)兩種信息抓取模塊，分別是個人版信息抓取模塊和服務器版信息抓取模塊。最

3、后，為了支持個人版信息抓取模塊對中央服務器模塊的高并發(fā)性需求，提出了基于Netty框架實現(xiàn)的中央服務器模塊和采用主從庫配置的數(shù)據(jù)庫模塊，并且為了在有更多新需求的情況下中央服務器模塊能夠更好的進行擴展，本文采用了面向接口編程并且引入了Spring框架來管理中央服務器模塊的類之間的依賴。
　　本文設計和實現(xiàn)的網絡爬蟲系統(tǒng)，不僅開發(fā)過程容易，擴展方便，支持網頁類型多——包括普通靜態(tài)網頁、異步加載網頁和動態(tài)生成信息，而且個人版信息抓取模塊