基于多用戶的Web信息采集系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、Web信息的急速增長給信息的提取和有效使用帶來了巨大挑戰(zhàn)，特別是對于眾多的企業(yè)用戶，如何從大量的網(wǎng)站頁面中把需要的有用信息提取出來是它們迫切需要解決的問題。本課題是針對這些企業(yè)用戶開發(fā)的基于多用戶的Web信息采集系統(tǒng)，它實現(xiàn)了可視化的采集規(guī)則設(shè)置界面，并以C/S方式把用戶的采集任務(wù)放在遠程服務(wù)器上運行，從而減輕了用戶在采集規(guī)則設(shè)置和采集任務(wù)維護方面的負擔(dān)。
　　本課題系統(tǒng)包括客戶端和服務(wù)器端兩部分組成，服務(wù)器端包括采集服務(wù)器和中心

2、服務(wù)器。用戶通過客戶端進行采集項目設(shè)置并把采集項目上傳至中心服務(wù)器，中心服務(wù)器把采集任務(wù)分配給采集服務(wù)器進行信息采集，采集服務(wù)器在采集完成后把采集結(jié)果通過Email、Ftp等方式發(fā)送給用戶。
　　本課題系統(tǒng)構(gòu)架采用C/S結(jié)構(gòu)和B/S結(jié)構(gòu)相結(jié)合的方式，主要使用Python程序語言開發(fā)，在客戶端使用Javascript和DOM技術(shù)實現(xiàn)了采集項目設(shè)置的可視化，使用XML-RPC協(xié)議同服務(wù)器進行通信。在采集服務(wù)器端使用Htm15lib對頁

3、面進行清理，以XPATH的方式對頁面信息進行采集、提取，實現(xiàn)了對各類頁面(包括一些非標(biāo)準(zhǔn)和HTML5頁面)的頁面清理、信息提取功能。在中心服務(wù)器端使用數(shù)據(jù)庫結(jié)合多進程的方式完成采集任務(wù)的分發(fā)和控制，并利用Django框架完成了一個Web界面的后臺管理模塊為管理員提供用戶賬號、采集任務(wù)的管理功能。同時在服務(wù)器端配置了Cacti對服務(wù)器系統(tǒng)狀態(tài)進行監(jiān)控，以確保系統(tǒng)的穩(wěn)定性和可靠性。
　　本課題系統(tǒng)采集規(guī)則設(shè)置完全可視化，不需要編寫腳本