文献综述-基于C++的网络爬虫的设计与实现

基于C++的网络爬虫的设计与实现

基于C++的网络爬虫的设计与实现的研究综述 作者：xxx 指导老师：xxx

摘要：本文归纳了网络爬虫的设计与实现方面的研究内容，概括了网络爬虫的定义与爬取策略、网络爬虫的体系结构、设计网络爬虫的关键问题以及爬虫身份的识别等方面的观点，并总结了如何通过一个或多个给定的种子网站，将网站上相应的网页抓取下来，并将其存入数据库或文本文件中的研究成果。本文也指出了如何通过解决传统的通用搜索引擎在某些领域的局限性，帮助人们更加有效地提取与利用互联网信息，进而提高人们在检索信息效率方面的研究需求。最后，本文提出了一个满足用户需求的网络爬虫的开发方案。

关键词：网络爬虫 ；通用搜索引擎 ；互联网

The Design and Implementation of Web Spider Based

on C++

Author:xxxTutor: xxx

Abstract：This paper summarizes the research about the design and implementation of the web spider, summarizesthe view aboutthe definition of web spider, the crawling strategy of the web spider, the architecture of the web spider, the key issues to design the web spider and identification of the web spider ,and summarizes the research about how to catch the web-pages which links to the corresponding web site through one or more given seed site, and then stores it into a database or text file . The paper also points out how to solve the limitations of the Traditional General Search Engine in some areas , help people more effectively extract the information and make use of the Internet, then improve people’sresearch needs in the area of information retrieval. In the end, the paper proposesa web spider development planwhich can meet the user’s needs.

Keywords:WebSpiders ;Tradition Universal Search Engine ; Internet

基于C++的网络爬虫的设计与实现

随着网络技术的发展，信息的提取与利用在人们的日常生活中越来越重要。搜索引擎由于能够从浩瀚的网络资源中给用户提供对用户有用的信息而获得长足的发展，自诞生以来，搜索引擎获得了越来越多用户的青睐，成为人们日常生活中检索信息必不可少的搜索工具。

研究背景

随着经济社会的发展，人们对信息搜索提出了更高的要求。传统搜索引擎，例如传统的通用搜索引擎AltaVista，Yahoo!和Google大都是基于关键字的检索，对根据语义信息提出的查询却无能为力，搜索结果常常包含大量用户并不关心的网页；随着万维网的数据形式的不断丰富与网络技术的不断发展，图片、数据库、音频及视频多媒体等不同数据形式大量出现，传统搜索引擎对这些信息含量密集且具有一定数据结构的数据不能很好的获取和发现。另外，传统搜索引擎有限的搜索引擎服务器资源与无限的网络数据资源之间的矛盾也日益突出。 为了解决这些问题，人们设计实现一个能够根据用户提供的种子网站，定向抓取相关网页资源的网络爬虫。网络爬虫是一个自动下载网页的程序，它根据既定的抓取目标，有选择的访问万维网上的网页与相关的链接，获取所需要的信息。它并不追求大的覆盖率，而将目标定为抓取与某一特定主题内容相关的网页，为面向主题的用户查询准备数据资源。

1.网络爬虫的定义及爬行策略

一个网络蜘蛛就是一种机器人，或者软件代理。大体上，它从一组要访问的URL链接开始，可以称这些URL为种子。爬虫访问这些链接，它辨认出这些页面的所有超链接，然后添加到这个URL列表，可以称作检索前沿。这些URL按照一定的策略反复访问，直到满足一定的条件结束。其工作流程如下：

图1 网络爬虫的工作流程

基于C++的网络爬虫的设计与实现

网页爬虫的行为通常是四种策略组合的结果。这四种策略分别是选择策略、重新访问策略、平衡礼貌策略、并行策略。其中，选择策略，用来决定所要下载的页面；重新访问策略，用来决定什么时候检查页面的更新变化；平衡礼貌策略，指出怎样避免站点超载；并行策略，指出怎么协同达到分布式抓取的效果。

2.网络爬虫体系结构

网络爬虫的结构主要分为以下几个部分: (1)下载模块,(2)网页分析模块,

(3) URL去重模块,(4) URL分配模块, 如图2所示：

图2系统架构图

2.1下载模块

下载模块负责抓取网页, 是整个系统的基本与关键部分,直接影响爬行效果。该模块一般包含3 个子模块: (1) 下载线程; (2) Host控制子模块; (3) DNS 解析子模块。

2.2网页分析模块

网页分析主要是内容分析和链接抽取。网页中有很多不同的编码格式, 这些格式来自不同的文本( 简体中文、繁体中文、英文等) 。这些不同的文本信息会影响到后续的正文抽取和分词等模块。网页分析中需要考虑到这类问题。

HTML,XML网页除了标题和正文以外, 会有许多版权信息、广告链接以及公共的频道链接, 这些链接和文本一般没有太大的价值, 在提取网页内容的时候,需要过滤这些无用的链接。对于DOC, PPT, XLS, PDF 等带格式的文件, 网络爬虫都要提取出文件里的纯文本内容。对于多媒体、图片等文件, 一般是通过链接的锚文本( 即链接文本) 和相关的文件注释来判断这些文件的内容。

2.3 URL去重模块

在下载的过程中, 不可避免地会遇到重复的链接, 如何消除这些重复的链接, 是个很复杂的议题。URL的去重 …… 此处隐藏：3885字，全部文档内容请下载后查看。喜欢就下载吧 ……