版權(quán)說(shuō)明:本文檔由用戶(hù)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著互聯(lián)網(wǎng)的飛速發(fā)展,Web上的網(wǎng)頁(yè)信息迅猛增長(zhǎng),面對(duì)互聯(lián)網(wǎng)上錯(cuò)綜復(fù)雜、規(guī)模巨大的海量信息時(shí),單機(jī)網(wǎng)絡(luò)爬蟲(chóng)由于計(jì)算能力和存儲(chǔ)空間的局限性,使得抓取和處理海量數(shù)據(jù)變得十分困難。而由Apache基金會(huì)研發(fā)的Hadoop分布式計(jì)算平臺(tái)在處理和存儲(chǔ)海量數(shù)據(jù)有著高可用性、高伸縮性、高擴(kuò)展性的特點(diǎn),使Hadoop技術(shù)迅速成為了海量數(shù)據(jù)處理領(lǐng)域的熱門(mén)首選。將網(wǎng)絡(luò)爬蟲(chóng)技術(shù)與Hadoop分布式計(jì)算平臺(tái)結(jié)合組成的分布式網(wǎng)絡(luò)爬蟲(chóng)有效解決了海量網(wǎng)頁(yè)數(shù)據(jù)的抓取、
2、存儲(chǔ)和分析的問(wèn)題。因此基于Hadoop的分布式網(wǎng)絡(luò)爬蟲(chóng)具有十分重要的研究?jī)r(jià)值和意義。本文對(duì)網(wǎng)絡(luò)爬蟲(chóng)中的兩個(gè)算法:鏈接分析算法和URL去重算法進(jìn)行了研究與分析,并針對(duì)算法在Hadoop環(huán)境下的不足進(jìn)行了改進(jìn)優(yōu)化。
在網(wǎng)絡(luò)爬蟲(chóng)抓取網(wǎng)頁(yè)后,需要對(duì)抓取下來(lái)的網(wǎng)頁(yè)進(jìn)行重要性的分析,PageRank算法是Google用于標(biāo)識(shí)網(wǎng)頁(yè)的重要性的一種方法,而在大數(shù)據(jù)環(huán)境下,基于Hadoop的PageRank算法中每個(gè)URL的出鏈接都會(huì)作為MapR
3、educe中間結(jié)果輸出,使得Map函數(shù)輸出文件很大,而這些結(jié)果文件需要通過(guò)網(wǎng)絡(luò)傳輸?shù)絉educe端,過(guò)多的時(shí)間消耗在網(wǎng)絡(luò)傳輸上,造成算法的計(jì)算效率低。針對(duì)這一問(wèn)題,本文第四章對(duì)基于Hadoop的PageRank算法進(jìn)行了改進(jìn),根據(jù)URL鏈接形成的Web圖的特點(diǎn),對(duì)Web圖進(jìn)行分割,劃分為URL子圖,將子圖內(nèi)與子圖之間PageRank的部分合并計(jì)算轉(zhuǎn)移到 Map階段,減少了Map函數(shù)輸出文件大小,從而降低了MapReduce的中間網(wǎng)絡(luò)傳輸
4、時(shí)間,提高了算法效率。
URL去重算法同樣也是網(wǎng)絡(luò)爬蟲(chóng)中的一個(gè)重要算法,URL去重算法在爬蟲(chóng)新抓取的URL加入待抓取隊(duì)列之前,過(guò)濾已經(jīng)抓取過(guò)的重復(fù)URL,使得網(wǎng)絡(luò)爬蟲(chóng)的性能得到提高。本文重點(diǎn)研究了布隆過(guò)濾器去重算法,BloomFilter的占用的空間與元素本身無(wú)關(guān),有較高的空間效率,插入和查詢(xún)操作的時(shí)間復(fù)雜度也較低,且過(guò)濾器中位數(shù)組也適合并行實(shí)現(xiàn);但隨著元素的添加,過(guò)濾器的誤判率也隨之增加,將許多無(wú)重復(fù)的URL過(guò)濾,對(duì)爬蟲(chóng)性能
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Hadoop的分布式網(wǎng)絡(luò)爬蟲(chóng)技術(shù).pdf
- 基于Hadoop分布式網(wǎng)絡(luò)爬蟲(chóng)技術(shù)的研究.pdf
- 基于hadoop的分布式網(wǎng)絡(luò)爬蟲(chóng)研究與實(shí)現(xiàn).pdf
- 基于Hadoop的分布式網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于分布式計(jì)算的網(wǎng)絡(luò)爬蟲(chóng)技術(shù)的研究.pdf
- 基于分布式的網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)的研究與實(shí)現(xiàn).pdf
- 分布式網(wǎng)絡(luò)爬蟲(chóng)的研究與實(shí)現(xiàn).pdf
- 分布式網(wǎng)絡(luò)爬蟲(chóng)技術(shù)的研究與實(shí)現(xiàn).pdf
- 分布式網(wǎng)絡(luò)爬蟲(chóng)技術(shù)研究與實(shí)現(xiàn).pdf
- 分布式網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于Nutch的分布式爬蟲(chóng)研究與優(yōu)化.pdf
- 基于Groovy的分布式網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 分布式主題網(wǎng)絡(luò)爬蟲(chóng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于HADOOP的分布式推薦引擎.pdf
- 分布式書(shū)籍網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
- 基于Storm云平臺(tái)的分布式網(wǎng)絡(luò)爬蟲(chóng)技術(shù)研究與實(shí)現(xiàn).pdf
- 基于Hadoop的分布式副本管理策略研究.pdf
- 基于Hadoop的全分布式存儲(chǔ)架構(gòu)研究.pdf
- 基于Hadoop平臺(tái)的分布式ETL研究與實(shí)現(xiàn).pdf
- 分布式聚焦網(wǎng)絡(luò)爬蟲(chóng)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf
評(píng)論
0/150
提交評(píng)論