基于網(wǎng)格的大規(guī)模網(wǎng)頁采集技術(shù)研究.pdf

1、VCE Search Engine是一個基于Globus網(wǎng)格平臺的網(wǎng)絡搜索引擎項目。本文以VCE Search Engine項目的網(wǎng)頁采集功能為需求，設計并實現(xiàn)了一個有效且高性能的基于網(wǎng)格進行大規(guī)模網(wǎng)頁采集的系統(tǒng)。
　　本文首先分析和研究了網(wǎng)格技術(shù)的基本特點，給出了相關(guān)的基本概念，并詳細的介紹了網(wǎng)格項目開發(fā)工具包—Globus Toolkit，主要闡述了它的起源、系統(tǒng)結(jié)構(gòu)以及應用Globus Toolkit進行網(wǎng)格項目開發(fā)的基本流

2、程。然后，介紹并分析了網(wǎng)頁采集技術(shù)的相關(guān)概念。介紹了網(wǎng)絡爬蟲的基本原理、網(wǎng)絡爬蟲的基本工作流程、網(wǎng)絡爬蟲的基本數(shù)據(jù)流程以及網(wǎng)絡爬蟲的工作模式分類。然后，給出了網(wǎng)頁采集系統(tǒng)的一般評價指標，并分析了影響各項指標的具體因素，通過實驗給出了采集帶寬對網(wǎng)頁采集速度以及網(wǎng)頁采集錯誤率的影響。然后通過對網(wǎng)格技術(shù)的分析，給出了基于網(wǎng)格進行大規(guī)模網(wǎng)頁采集的優(yōu)點--易于獲得較高帶寬、易于資源的聚合和協(xié)同、易于信息的獲取和發(fā)布以及良好的可擴展性。
　　

3、然后，通過對網(wǎng)頁采集系統(tǒng)性能指標影響因素的分析，設計了一個基于網(wǎng)格的大規(guī)模網(wǎng)頁采集模型。給出了一個四層的模型架構(gòu)，分析了其基本工作模式，并結(jié)合動態(tài)分配和靜態(tài)分配的工作方式，設計了一個改進的基于靜態(tài)分配的交互模式。然后，給出了基于網(wǎng)格進行網(wǎng)頁采集的任務劃分機制，主要包括種子Urls的選取以及劃分函數(shù)的設定。然后為該模型設計了一個兩層的任務調(diào)度算法—廣域網(wǎng)任務調(diào)度算法和局域網(wǎng)任務調(diào)度算法，并給出了各類數(shù)據(jù)的存儲方式，并通過分析該模型，說明了