2023年全國(guó)碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩57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、隨著社交網(wǎng)絡(luò)媒體的興起,其中微博已然成為了大眾關(guān)注熱點(diǎn)話題的工具之一。在微博當(dāng)中,人人都可以發(fā)出自己的聲音,也可以聽到別人不同的聲音,因此形成了巨大的信息量、信息碎片化的特點(diǎn)。這個(gè)爬蟲系統(tǒng)是為了能夠更好地服務(wù)大眾,使得個(gè)人、公司、企業(yè)都能及時(shí)地發(fā)覺到自己關(guān)注的話題,然后做出及時(shí)的反饋,避免一些不必要的損失。
  本文設(shè)計(jì)的爬蟲針對(duì)于微博,主要對(duì)需求相關(guān)關(guān)鍵詞展開搜索,在此搜索結(jié)果中,進(jìn)行廣度優(yōu)先的爬取策略,此爬蟲系統(tǒng)能解決傳統(tǒng)爬蟲

2、無法解決的垂直爬取、動(dòng)態(tài)頁(yè)面和自動(dòng)化登陸問題。
  本文針對(duì)了微博的問題,從而設(shè)計(jì)并且實(shí)現(xiàn)了一種面向微博的數(shù)據(jù)爬取與解析系統(tǒng)。主要工作是主要利用提供的關(guān)鍵詞,對(duì)微博中已經(jīng)發(fā)布的微博條目進(jìn)行爬取,并抽取出博主信息、微博內(nèi)容、粉絲數(shù)目、評(píng)論數(shù)目等等數(shù)據(jù),存入數(shù)據(jù)庫(kù)中。主要工作有:
  1、模擬登陸,本系統(tǒng)能夠通過訪問微博登陸頁(yè),而不是微博的首頁(yè),登陸信息是通過Base64加密后發(fā)送給服務(wù)器,獲取cookie后,能夠?qū)崿F(xiàn)自動(dòng)登陸。

3、
  2、信息的收集和過濾,本系統(tǒng)采用基于關(guān)鍵詞的網(wǎng)絡(luò)爬蟲訪問微博進(jìn)行信息的收集,獲取微博網(wǎng)站的主要頁(yè)面,在頁(yè)面上獲取內(nèi)容,已經(jīng)被系統(tǒng)爬取的網(wǎng)頁(yè)會(huì)被過濾。
  3、關(guān)鍵內(nèi)容抽取,本系統(tǒng)主要采用基于 JSoup框架和 XPath相結(jié)合的方法對(duì)基于HTML結(jié)構(gòu)頁(yè)面進(jìn)行解析,針對(duì)爬取模塊下載得到的微博網(wǎng)頁(yè)抽取關(guān)鍵信息。
  4、數(shù)據(jù)更新和存儲(chǔ),采用固定的爬取周期對(duì)微博源網(wǎng)頁(yè)信息進(jìn)行持續(xù)更新;采用MySQL對(duì)爬蟲系統(tǒng)抽取的信息

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。

最新文檔

評(píng)論

0/150

提交評(píng)論