湖北工業(yè)大學 陳育兵

基于Heritrix主題爬蟲的定制與實現(xiàn)

湖北工業(yè)大學 陳育兵

本文在開源爬蟲框架Heritrix基礎(chǔ)上，進行多線程優(yōu)化，定制面向搜狐新聞網(wǎng)頁爬取的主題爬蟲。試驗表明，在改進擴展后的Heritrix基礎(chǔ)上，能高效快速爬取搜狐站點下的新聞網(wǎng)頁。

主題爬蟲；定制與實現(xiàn)

隨著網(wǎng)絡(luò)信息的爆炸式增長，如何在網(wǎng)絡(luò)中獲得有用的信息已變得很困難。搜索引擎在信息檢索中發(fā)揮的重要作用，是人們的日常生活不可缺少的工具。雅虎、谷歌、MSN、百度和其他的商業(yè)搜索引擎是許多通用的搜索引擎，最成功的典范，但隨著網(wǎng)絡(luò)變得越來越復(fù)雜，有時這些通用搜索引擎在信息檢索中迷失方向。然而，在近年來方興未艾的各種搜索技術(shù)，在禁區(qū)許可證技術(shù)為基礎(chǔ)的流媒體搜索，元搜索，垂直搜索技術(shù)，并因此成為搜索領(lǐng)域的研究重點。

隨著網(wǎng)絡(luò)信息的迅速膨脹，搜索引擎的主要關(guān)注的是如何被發(fā)現(xiàn)許多準確和有效的信息，精確度成為搜索引擎的主要目標。這也是大多數(shù)人型搜索引擎的挑戰(zhàn)。他們通常是非常低的精度，返回到搜索結(jié)果的用戶成千上萬，有效的結(jié)果可能只有很少甚至沒有。由于各種制約因素的客觀存在，門戶網(wǎng)站的搜索引擎是難以解決的，因為他們是在幾秒鐘內(nèi)數(shù)以萬計的用戶，在數(shù)億的記錄中，找出信息，以滿足客戶的需求，同時給信息量大，時間短，語言歧義的門戶網(wǎng)站的搜索引擎帶來了巨大的挑戰(zhàn)。如何解決這個問題？從專題型項目出現(xiàn)、發(fā)展和成熟，我們相信，主題搜索引擎的方向發(fā)展，應(yīng)該是一個解決問題的想法。

網(wǎng)絡(luò)爬蟲其實是一個基于網(wǎng)絡(luò)的程序。從初始網(wǎng)頁集出發(fā)，遍歷互聯(lián)網(wǎng)自動收集網(wǎng)絡(luò)信息。爬行動物當打開一個HTML頁面，它會分析結(jié)構(gòu)的HTML標簽來獲取信息，并獲得超鏈接，然后點擊要通過既定的搜索戰(zhàn)略選擇下一個站點訪問其他頁面。從理論上講，如果分配給蜘蛛適當?shù)某跏嘉募拖鄳?yīng)的網(wǎng)絡(luò)搜索戰(zhàn)略，它可以遍歷整個網(wǎng)絡(luò)。其性能在很大程度上影響了搜索引擎網(wǎng)站的大小。

本文研究和分析了通用搜索引擎，個性化搜索引擎的概念；通用網(wǎng)絡(luò)爬蟲和主題網(wǎng)絡(luò)爬蟲的概念；分析了國內(nèi)外各大爬蟲框架及其發(fā)展狀況；重點研究和分析了無比強大的Java開源網(wǎng)絡(luò)爬蟲框架Heritrix的基本概念及其架構(gòu)；在Heritrix基礎(chǔ)上擴展和定制了面向搜狐的新聞搜索，添加了自己的Extractor，實現(xiàn)了多線程優(yōu)化，并且擴展FrontierSchedule來爬取特定網(wǎng)頁內(nèi)容，取消Robot限制，最后試驗證明，通過優(yōu)化和擴展定制，實現(xiàn)了高效快速爬取特定主題下的網(wǎng)頁內(nèi)容。

[1]劉世濤.簡析搜索引擎中網(wǎng)絡(luò)爬蟲的搜索策略[J].阜陽師范學院學報(自然科學版)，2006(03).

[2]王巖.搜索引擎中網(wǎng)絡(luò)爬蟲技術(shù)的發(fā)展[J].電信快報，2008(10).

[3]龔勇.搜索引擎中網(wǎng)絡(luò)爬蟲的研究[D].武漢理工大學，2010.

2017-09-10）