深層網(wǎng)絡(luò)信息發(fā)掘技術(shù)研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩65頁(yè)未讀, 繼續(xù)免費(fèi)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、整個(gè)網(wǎng)絡(luò)中的信息按深度可分成兩個(gè)層次,表層和深層。表層主要包括“靜態(tài)網(wǎng)頁(yè)”,是指以文件形式靜態(tài)存放在服務(wù)器上的數(shù)據(jù)信息。深層則主要包括“動(dòng)態(tài)網(wǎng)頁(yè)”,是指隱藏在表單背后,需要進(jìn)行查詢輸入,由后臺(tái)數(shù)據(jù)庫(kù)動(dòng)態(tài)生成的數(shù)據(jù)信息。這些“動(dòng)態(tài)網(wǎng)頁(yè)”信息也被稱作深層網(wǎng)絡(luò)信息、Deep Web信息、Hidden Web信息,具有數(shù)量大、質(zhì)量高、結(jié)構(gòu)化等特點(diǎn),但目前傳統(tǒng)搜索引擎卻無法將這些信息索引。如何大規(guī)模自動(dòng)獲取深層網(wǎng)絡(luò)信息成為當(dāng)前技術(shù)難題和研究熱點(diǎn)。

2、
  本文對(duì)目前獲取深層網(wǎng)絡(luò)信息的主要方法進(jìn)行研究,分析這些方法各自的優(yōu)缺點(diǎn)后,決定采用擴(kuò)展當(dāng)前搜索引擎爬蟲能力的方案,使其能夠自動(dòng)填寫表單、構(gòu)造查詢URL,從而獲取到返回頁(yè)面,這樣,搜索引擎便能像處理普通靜態(tài)頁(yè)面一樣將其索引,最后呈現(xiàn)給用戶。
  為了達(dá)到上述目的,需要解決以下幾個(gè)主要問題:
  (1) HTML表單的形式繁雜,如何正確的發(fā)現(xiàn)提供深層網(wǎng)絡(luò)數(shù)據(jù)源接口的表單并將其有用信息提取出來。
  (2) HT

3、ML表單的控件類型多種多樣,如何選取查詢值組合,尤其是如何生成文本框輸入值。
  (3)如何從查詢返回頁(yè)面中提取有用信息。
  針對(duì)以上問題,本文對(duì)傳統(tǒng)搜索引擎爬蟲進(jìn)行分析和優(yōu)化,給出深層網(wǎng)絡(luò)數(shù)據(jù)源發(fā)現(xiàn)及表單接口提取、自動(dòng)填寫表單內(nèi)容、查詢返回頁(yè)面內(nèi)容抽取、深層網(wǎng)絡(luò)信息獲取過程中語(yǔ)義元數(shù)據(jù)的提取、抓取后頁(yè)面內(nèi)容更新等關(guān)鍵技術(shù)的解決方案和算法。最后在傳統(tǒng)爬蟲的基礎(chǔ)上進(jìn)行擴(kuò)展,構(gòu)建一個(gè)深層網(wǎng)絡(luò)信息發(fā)掘系統(tǒng)。同時(shí),進(jìn)行實(shí)際運(yùn)行測(cè)試

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(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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(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。

評(píng)論

0/150

提交評(píng)論