Hadoop網(wǎng)頁爬取系統(tǒng)的時間同步算法研究.pdf

1、隨著網(wǎng)絡(luò)的快速普及，我國的網(wǎng)民人數(shù)已經(jīng)達到了近7.5億，占據(jù)了全球網(wǎng)民數(shù)據(jù)量的近百分之二十，如此量級的網(wǎng)民群體在網(wǎng)絡(luò)空間上會產(chǎn)生海量的網(wǎng)絡(luò)的信息。網(wǎng)絡(luò)平臺的快速發(fā)展和信息交互的更加頻繁化使得人們之間的信息傳遞更加迅速和快捷，同時通過網(wǎng)絡(luò)也使得經(jīng)濟結(jié)構(gòu)形式更加合理、言論自由得到主張。但凡事有利即有弊，過度自由的網(wǎng)絡(luò)環(huán)境和不可控性導(dǎo)致了網(wǎng)絡(luò)犯罪的迅速蔓延、特別是網(wǎng)絡(luò)賭博、色情、煽動性言論等信息在網(wǎng)絡(luò)平臺上滋生的非?？焖佟Ｒ虼苏嚓P(guān)部門也十

2、分重視網(wǎng)絡(luò)良性發(fā)展的重要性。隨著網(wǎng)絡(luò)數(shù)據(jù)傳輸、存儲和分析技術(shù)的不斷發(fā)展，相關(guān)部門也開展了對網(wǎng)絡(luò)上熱點信息的獲取與把控。這也正是大數(shù)據(jù)時代挖掘數(shù)據(jù)價值的分支。
　　在此背景下，本文著眼于對網(wǎng)絡(luò)話題檢測算法的研究。文中首先介紹了本文的研究背景、明確了課題的研究意義。并查閱相關(guān)文獻，介紹了話題檢測技術(shù)的國內(nèi)外研究現(xiàn)狀；其次，詳細介紹了課題研究所涉及到的相關(guān)技術(shù)和理論，具體包括Hadoop分布式爬取架構(gòu)、網(wǎng)絡(luò)數(shù)據(jù)爬取的基本原理、復(fù)雜網(wǎng)絡(luò)理

3、論和時間同步理論；再者文中對敏感信息數(shù)據(jù)爬取方案設(shè)計進行了詳細闡述，明確網(wǎng)絡(luò)話題檢測的基礎(chǔ)數(shù)據(jù)載體，并結(jié)合復(fù)雜網(wǎng)絡(luò)理論，對敏感信息數(shù)據(jù)網(wǎng)頁進行了復(fù)雜網(wǎng)絡(luò)模型的構(gòu)建與特性分析。在完成對網(wǎng)頁的復(fù)雜網(wǎng)絡(luò)模型研究后，文中針對該復(fù)雜網(wǎng)絡(luò)分析了偵測算法時間同步的意義和需求，并給出了時間同步算法的改進方案。文中最后基于NS2仿真平臺對改進后的算法進行了仿真分析與實驗。
　　本文的研究中，摒棄傳統(tǒng)的研究網(wǎng)頁文本信息手段，從網(wǎng)頁元集群的時間同步特性