网络爬虫的设计与实现 毕业论文

摘要Ⅰ摘要网络爬虫是一种自动搜集互联网信息的程序。通过网络爬虫不仅能够为搜索引擎采集网络信息，而且可以作为定向信息采集器，定向采集某些网站下的特定信息，如招聘信息，租房信息等。本文通过JAVA实现了一个基于广度优先算法的多线程爬虫程序。本论文阐述了网络爬虫实现中一些主要问题：为何使用广度优先的爬行策略，以及如何实现广度优先爬行；为何要使用多线程，以及如何实现多线程；系统实现过程中的数据存储；网页信息解析等。通过实现这一爬虫程序，可以搜集某一站点的URLs，并将搜集到的URLs存入数据库。【关键字】网络爬虫；JAVA；广度优先；多线程。ABSTRACTIIABSTRACTSPIDERisaprogramwhichcanautocollectinformationsfrominternet.SPIDERcancollectdataforsearchengines,alsocanbeaDirectionalinformationcollector,collectsspecificallyinformationsfromsomewebsites,suchasHRinformations,houserentinformations.Inthispaper,useJAVAimplementsabreadth-firstalgorithmmulti-threadSPDIER.ThispaperexpatiatessomemajorproblemsofSPIDER:whytousebreadth-firstcrawlingstrategy,andhowtoimplementbreadth-firstcrawling;whytousemulti-threading,andhowtoimplementmulti-thread;datastructure;HTMLcodeparse.etc.ThisSPIDERcancollectURLsfromonewebsite,andstoreURLsintodatabase.【KEYWORD】SPIDER;JAVA;BreadthFirstSearch;multi-threads.目录第一章引言.......................................................1第二章相关技术介绍...............................................22.1JAVA线程.....................................................22.1.1线程概述..................................................22.1.2JAVA线程模型.............................................22.1.3创建线程..................................................32.1.4JAVA中的线程的生命周期....................................42.1.5JAVA线程的结束方式........................................42.1.6多线程同步................................................52.2URL消重......................................................52.2.1URL消重的意义.............................................52.2.2网络爬虫URL去重储存库设计................................52.2.3LRU算法实现URL消重.......................................72.3URL类访问网络................................................82.4爬行策略浅析.................................................82.4.1宽度或深度优先搜索策略.....................................82.4.2聚焦搜索策略..............................................92.4.3基于内容评价的搜索策略.....................................92.4.4基于链接结构评价的搜索策略...............................102.4.5基于巩固学习的聚焦搜索...................................112.4.6基于语境图的聚焦搜索.....................................11第三章系统需求分析及模块设计....................................133.1系统需求分析.................................................133.2SPIDER体系结构..............................................133.3各主要功能模块（类）设计.....................................143.4SPIDER工作过程..............................................14第四章系统分析与设计............................................164.1SPIDER构造分析..............................................164.2爬行策略分析.................................................174.3URL抽取，解析和保存.........................................184.3.1URL抽取..................................................184.3.2URL解析..................................................194.3.3URL保存..................................................19第五章系统实现..................................................215.1实现工具.....................................................215.2爬虫工作.....................................................215.3URL解析.....................................................225.4URL队列管理.................................................245.4.1URL消重处理..............................................245.4.2URL等待队列维护..........................................265.4.3数据库设计...............................................27第六章系统测试..................................................29第七章结论......................................................32参考文献.........................................................33致谢.............................................................34外文资料原文.....................................................35译文.............................................................50第一章引言1第一章引言随着互联网的飞速发展，网络上的信息呈爆炸式增长。这使得人们在网上找到所需的信息越来越困难，这种情况下搜索引擎应运而生。搜索引擎搜集互联网上数以亿计的网页，并为每个词建立索引。在建立搜索引擎的过程中，搜集网页是非常重要的一个环节。爬虫程序就是用来搜集网页的程序。以何种策略偏历互联网上的网页，也成了爬虫程序主要的研究方向。现在比较流行的搜索引擎，比如google，百度，它们爬虫程序的技术内幕一般都不公开。目前几种比较常用的爬虫实现策略：广度优先的爬虫程序，Repetitive爬虫程序，定义爬行爬虫程序，深层次爬行爬虫程序。此外,还有根据概率论进行可用Web页的数量估算,用于评估互联网Web规模的抽样爬虫程序;采用爬行深度、页面导入链接量分析等方法,限制从程序下载不相关的Web页的选择性爬行程序等等。爬虫程序是一个自动获取网页的程序。它为搜索引擎从互联网上下载网页，是搜索引擎的重要组成部分。爬虫程序的实现策略，运行效率直接影响搜索引擎的搜索结果。不同的搜索引擎，会根据对搜索结果的不同需求，选择最合适的爬行策略来搜集互联网上的信息。高效，优秀的爬虫程序可以使人们在互联网上寻找到更及时，更准确的信息。实现网络爬虫的重点和难点有：多线程的实现；对临界资源的分配；遍历web图的遍历策略选择和实现；存储数据结构的选择和实现。本文通过JAVA语言实现一个基于广度优先偏历算法的多线程爬虫程序。通过实现此爬虫程序可以定点搜集某一站点的URLs，如果需要搜集其他信息，可以在解析URLs的同时，解析获取相应信息。电子科技大学成都学院本科毕业设计论文2第二章相关技术介绍2.1JAVA线程2.1.1线程概述几乎每种操作系统都支持线程的概念—进程就是在某种程度上相互隔离的，独立运行的程序。一般来说，这些操作系统都支持多进程操作。所谓多进程，就是让系统（好像）同时运行多个程序。比如，我在MicrosoftWord编写本论文的时候，我还打开了一个mp3播放器来播放音乐，偶尔的，我还会再编辑Word的同时让我的机器执行一个打印任务，而且我还喜欢通过IE从网上下载一个Flash动画。对于我来说，这些操作都是同步进行的，我不需要等一首歌曲放完了再来编辑我的论文。看起来，它们都同时在我的机器上给我工作。事实的真相是，对于一个CPU而言，它在某一个时间点上，只能执行一个程序。CPU不断的在这些程序之间“跳跃”执行。那么，为什么我们看不出任何的中断现象呢？这是因为，相对于我们的感觉，它的速度实在太快了。我们人的感知时间可能以秒来计算。而对于CPU而言，它的时间是以毫秒来计算的，从我们肉眼看来，它们就是一个连续的动作。因此，虽然我们看到的都是一些同步的操作，但实际上，对于计算机而言，它在某个时间点上只能执行一个程序，除非你的计算机是多CPU的。多线程（Multi-Thread）扩展了多进程（multi-Process）操作的概念，将任务的划分下降到了程序级别，使得各个程序似乎可以在同一个时间内执行多个任务。每个任务称为一个线程，能够同时运行多个线程的程序称为多线程程序。多线程和多进程有什么区别呢？对于进