分布式爬蟲(chóng)任務(wù)調(diào)度與AJAX頁(yè)面抓取研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩80頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

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)的迅速發(fā)展,數(shù)據(jù)呈現(xiàn)爆炸性增長(zhǎng),同時(shí)人們對(duì)數(shù)據(jù)的采集需求也與日俱增。網(wǎng)絡(luò)爬蟲(chóng)作為數(shù)據(jù)獲取的有效手段被廣泛應(yīng)用于各類(lèi)系統(tǒng)中,諸如搜索引擎、輿情監(jiān)控系統(tǒng)等。然而,面向中小規(guī)模系統(tǒng)的網(wǎng)絡(luò)爬蟲(chóng)面臨著兩大難題:其一,單機(jī)爬蟲(chóng)程序抓取速度慢,已有的開(kāi)源分布式爬蟲(chóng)框架實(shí)現(xiàn)復(fù)雜,靈活性不強(qiáng);其二,雖然Ajax技術(shù)以異步加載的方式與服務(wù)器交換必要的數(shù)據(jù)能夠提高用戶(hù)界面響應(yīng)速度,帶來(lái)良好的用戶(hù)體驗(yàn),但是傳統(tǒng)的網(wǎng)頁(yè)抓取方式無(wú)法完整的獲取應(yīng)用了這項(xiàng)技

2、術(shù)的頁(yè)面所包含的信息。這些缺失的信息通常具有重要的研究?jī)r(jià)值。在面向中小規(guī)模系統(tǒng)的分布式爬蟲(chóng)中,任務(wù)調(diào)度算法的優(yōu)劣將直接影響系統(tǒng)的抓取效率。因此,本文重點(diǎn)對(duì)分布式爬蟲(chóng)的任務(wù)調(diào)度策略和Ajax頁(yè)面抓取算法進(jìn)行了研究。
  在分布式爬蟲(chóng)的任務(wù)調(diào)度方面,本文重點(diǎn)研究了主從式架構(gòu)下的任務(wù)調(diào)度算法。為了保證各個(gè)爬行節(jié)點(diǎn)的負(fù)載均衡以及系統(tǒng)的可擴(kuò)展性,本文提出了一種基于一致性哈希的均分負(fù)載空間算法。該算法采用了不同于機(jī)器節(jié)點(diǎn)復(fù)制的虛擬節(jié)點(diǎn)添加方法

3、,以解決在機(jī)器數(shù)量較少的情況下系統(tǒng)負(fù)載不均衡問(wèn)題。中心節(jié)點(diǎn)在把握系統(tǒng)整體運(yùn)行狀態(tài)的基礎(chǔ)上采用該算法進(jìn)行任務(wù)調(diào)度,并在爬行節(jié)點(diǎn)發(fā)生變化后進(jìn)行相應(yīng)的任務(wù)調(diào)整。通過(guò)實(shí)驗(yàn)比較,驗(yàn)證了該算法在負(fù)載均衡效率方面獲得了提高。
  在Ajax頁(yè)面抓取方面,由于單個(gè)Ajax頁(yè)面中包含了許多狀態(tài),本文首先采用了經(jīng)典的狀態(tài)流圖對(duì)Ajax頁(yè)面進(jìn)行建模,然后提出了基于網(wǎng)頁(yè)主體內(nèi)容變化的重復(fù)狀態(tài)檢測(cè)算法,并利用該算法進(jìn)行有效元素的XPath特征訓(xùn)練,最后將訓(xùn)

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

評(píng)論

0/150

提交評(píng)論