网络爬虫的设计与实现-毕业论文.doc

摘要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.ABSTRACT SPIDER is a program which can auto collect informations from internet. SPIDER can collect data for search engines, also can be a Directional information collector, collects specifically informations from some web sites, such as HR informations， house rent informations。In this paper， use JAVA implements a breadthfirst algorithm multithread SPDIER。 This paper expatiates some major problems of SPIDER： why to use breadth-first crawling strategy， and how to implement breadthfirst crawling； why to use multithreading, and how to implement multithread; data structure； HTML code parse。 etc. This SPIDER can collect URLs from one web site， and store URLs into database。 【KEY WORD】SPIDER; JAVA； Breadth First Search; multi-threads。目录第一章 引言1第二章 相关技术介绍22。1 JAVA线程22.1.1 线程概述22.1.2 JAVA线程模型22。1。3 创建线程32。1。4 JAVA中的线程的生命周期42.1.5 JAVA线程的结束方式42.1。6 多线程同步52.2 URL消重52。2.1 URL消重的意义52。2。2 网络爬虫URL去重储存库设计52.2。3 LRU算法实现URL消重72。3 URL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。2 SPIDER体系结构133。3 各主要功能模块（类）设计143。4 SPIDER工作过程14第四章 系统分析与设计164.1 SPIDER构造分析164。2 爬行策略分析174.3 URL抽取,解析和保存184。3。1 URL抽取184。3.2 URL解析194。3.3 URL保存19第五章 系统实现215.1 实现工具215。2 爬虫工作215。3 URL解析225。4 URL队列管理245。4。1 URL消重处理245.4.2 URL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51第一章 引言第一章 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。53第二章 相关技术介绍第二章 相关技术介绍2.1 JAVA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Microsoft Word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（MultiThread）扩展了多进程（multiProcess）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？对于进程来说，每个进程都有自己的一组完整的变量，而线程则共享相同的数据.2。1。2 JAVA线程模型我们知道，计算机程序得以执行的三个要素是：CPU，程序代码，可存取的数据.在JAVA语言中，多线程的机制是通过虚拟CPU来实现的。可以形象的理解为,在一个JAVA程序内部虚拟了多台计算机,每台计算机对应一个线程，有自己的CPU，可以获取所需的代码和数据，因此能独立执行任务，相互间还可以共用代码和数据。JAVA的线程是通过java。lang。Thread类来实现的，它内部实现了虚拟CPU的功能，能够接收和处理传递给它的代码和数据，并提供了独立的运行控制功能。我们知道，每个JAVA应用程序都至少有一个线程，这就是所谓的主线程.它由JVM创建并调用JAVA应用程序的main（）方法。JVM还通常会创建一些其他的线程，不过，这些线程对我们而言通常都是不可见的。比如，用于自动垃圾收集的线程，对象终止或者其他的JVM处理任务相关的线程。2。1。3 创建线程2。1.3。1 创建线程方式一在JAVA中创建线程的一种方式是通过Thread来实现的.Thread有很多个构造器来创建一个线程(Thread）实例:Thread（）；创建一个线程。Thread（Runnable target）;创建一个线程,并指定一个目标。Thread（Runnable target，String name）;创建一个名为name的目标为target的线程.Thread(String name）；创建一个名为name的线程.Thread（ThreadGroup group,Runnable target）；创建一个隶属于group线程组，目标为target的线程。通常，我们可以将一个类继承Thread，然后,覆盖Thread中的run（)方法，这样让这个类本身也就成了线程。每个线程都是通过某个特定Thread对象所对应的方法run（）来完成其操作的，方法run(）称为线程体.使用start()方法，线程进入Runnable状态，它将线程调度器注册这个线程.调用start（）方法并不一定马上会执行这个线程，正如上面所说，它只是进入Runnble而不是Running。2。1.3.2 创建线程方式二通过实现Runnable接口并实现接口中定义的唯一方法run（)，可以创建一个线程。在使用Runnable接口时，不能直接创建所需类的对象并运行它，而是必须从Thread类的一个实例内部运行它.从上面两种创建线程的方法可以看出，如果继承Thread类，则这个类本身可以调用start方法,也就是说将这个继承了Thread的类当作目标对象；而如果实现Runnable接口，则这个类必须被当作其他线程的目标对象。2。1。4 JAVA中的线程的生命周期JAVA的线程从产生到消失，可分为5种状态:新建（New），可运行(Runnable），运行(Running），阻塞（Blocked)以及死亡（Dead）.其中，Running状态并非属于JAVA规范中定义的线程状态，也就是说，在JAVA规范中，并没有将运行(Running）状态真正的设置为一个状态，它属于可运行状态的一种。当使用new来新建一个线程时,它处于New状态，这个时候，线程并未进行任何操作。然后，调用线程的start（）方法，来向线程调度程序(通常是JVM或操作系统）注册一个线程，这个时候，这个线程一切就绪,就等待CPU时间了。线程调度程序根据调度策略来调度不同的线程，调用线程的run方法给已经注册的各个线程以执行的机会，被调度执行的线程进入运行（Running）状态。当线程的run方法运行完毕,线程将被抛弃，进入死亡状态。你不能调用restart方法来重新开始一个处于死亡状态的线程,但是，你可以调用处于死亡状态的线程对象的各个方法。如果线程在运行（Running)状态中因为I/O阻塞,等待键盘键入，调用了线程的sleep方法，调用了对象的wait()方法等，则线程将进入阻塞状态，直到这些阻塞原因被解除，如：IO完成，键盘输入了数据,调用sleep方法后的睡眠时间到以及其他线程调用了对象的notify或notifyAll方法来唤醒这个因为等待而阻塞的线程等，线程将返回到Runnable状态重新等待调度程序调度，注意，被阻塞的线程不会直接返回到Running状态，而是重新回到Runnable状态等待线程调度程序的调用。线程调度程序会根据调度情况，将正在运行中的线程设置为Runnable状态,例如，有一个比当前运行状态线程更高运行等级的线程进入Runnable状态，就可能将当前运行的线程从Running状态“踢出,让它回到Runnable状态。2。1.5 JAVA线程的结束方式线程会以以下三种方式之一结束：线程到达其run(）方法的末尾；线程抛出一个未捕获到的Exception或Error；另一个线程调用一个Deprecated的stop（）方法。注意，因为这个方法会引起线程的安全问题，已经被不推荐使用了，所以,不要再程序调用这个方法。2.1。6 多线程同步当同时运行的相互独立的线程需要共享数据并且需要考虑其他线程的状态时，就需要使用一套机制使得这些线程同步,避免在争用资源时发生冲突，甚至发生死锁。JAVA提供了多种机制以实现线程同步。多数JAVA同步是以对象锁定为中心的.JAVA中从Object对象继承来的每个对象都有一个单独的锁。由于JAVA中的每个对象都是从Object继承来的。所以JAVA中的每个对象都有自己的锁。这样使它在共享的线程之间可以相互协调。在JAVA中实现线程同步的另一个方法是通过使用synchronized关键字。JAVA使用synchronized关键字来定义程序中要求线程同步的部分。synchronized关键字实现的基本操作是把每个需要线程同步的部分定义为一个临界区，在临界区中同一时刻只有一个线程被执行。2。2 URL消重2.2.1 URL消重的意义在SPIDER系统实际运行的过程中，每秒下载的10个页面中，分析的URL大多数是重复的，实际上新的URL才几个。在持续下载的过程中，新的URL非常少，还是以新浪网举例，1天24小时中总共出现的新URL也就是10000左右.这种情况非常类似于操作系统中虚拟储存器管理。所谓的虚拟储存器，是指具有请求调入和置换功能，能从逻辑上对内存容量加以扩充的一种储存器系统。其关键在于允许一个作业只装入部分的页或段就可以启动运行，当作业运行的时候在内存中找不到所需要的页或段的时候，就会发生请求调入，而从外存中找到的页或段将会置换内存中暂时不运行的页面到外存。URL消重工作量是非常巨大的。以下在新浪新闻页面为例，新浪一个新闻页面大小为5060k，每个页面有90100个URL,如果每秒下载10个页面，就会产生9001000次的URL排重操作，每次排重操作都要在几百万至几千万的URL库中去查询。这种操作对数据库系统是一个灾难，理论上任何需要产生磁盘I/O动作的存储系统都无法满足这种查询的需求。2.2.2 网络爬虫URL去重储存库设计在爬虫启动工作的过程中，我们不希望同一个网页被多次下载，因为重复下载不仅会浪费CPU机时，还会为搜索引擎系统增加负荷。而想要控制这种重复性下载问题，就要考虑下载所依据的超链接，只要能够控制待下载的URL不重复,基本可以解决同一个网页重复下载的问题。非常容易想到，在搜索引擎系统中建立一个全局的专门用来检测,是否某一个URL对应的网页文件曾经被下载过的URL存储库，这就是方案。接着要考虑的就是如何能够更加高效地让爬虫工作,确切地说，让去重工作更加高效。如果实现去重,一定是建立一个URL存储库，并且已经下载完成的URL在进行检测时候，要加载到内存中,在内存中进行检测一定会比直接从磁盘上读取速度快很多.我们先从最简单的情况说起,然后逐步优化,最终得到一个非常不错的解决方案。2.2.2.1 基于磁盘的顺序存储这里，就是指把每个已经下载过的URL进行顺序存储.你可以把全部已经下载完成的URL存放到磁盘记事本文件中。每次有一个爬虫线程得到一个任务URL开始下载之前，通过到磁盘上的该文件中检索,如果没有出现过，则将这个新的URL写入记事本的最后一行，否则就放弃该URL的下载。这种方式几乎没有人考虑使用了，但是这种检查的思想是非常直观的。试想，如果已经下载了100亿网页，那么对应着100亿个链接，也就是这个检查URL是否重复的记事本文件就要存储这100亿URL，况且，很多URL字符串的长度也不小，占用存储空间不说，查找效率超级低下，这种方案肯定放弃.2.2。2.2 基于Hash算法的存储对每一个给定的URL，都是用一个已经建立好的Hash函数，映射到某个物理地址上。当需要进行检测URL是否重复的时候，只需要将这个URL进行Hash映射,如果得到的地址已经存在，说明已经被下载过，放弃下载，否则,将该URL及其Hash地址作为键值对存放到Hash表中。这样，URL去重存储库就是要维护一个Hash表,如果Hash函数设计的不好，在进行映射的时候,发生碰撞的几率很大，则再进行碰撞的处理也非常复杂.而且，这里使用的是URL作为键，URL字符串也占用了很大的存储空间.2。2.2。3 基于MD5压缩映射的存储MD5算法是一种加密算法，同时它也是基于Hash的算法。这样就可以对URL字符串进行压缩，得到一个压缩字符串，同时可以直接得到一个Hash地址。另外,MD5算法能够将任何字符串压缩为128位整数，并映射为物理地址，而且MD5进行Hash映射碰撞的几率非常小，这点非常好。从另一个方面来说，非常少的碰撞，对于搜索引擎的爬虫是可以容忍的.况且，在爬虫进行检测的过程中，可以通过记录日志来保存在进行MD5时发生碰撞的URL,通过单独对该URL进行处理也是可行的。在Java中有一个Map类非常好，你可以将压缩后的URL串作为Key，而将Boolean作为Value进行存储,然后将工作中的Map在爬虫停止工作后序列化到本地磁盘上；当下一次启动新的爬虫任务的时候，再将这个Map反序列化到内存中,供爬虫进行URL去重检测。2.2。2。4 基于嵌入式Berkeley DB的存储Berkeley DB的特点就是只存储键值对类型数据，这和URL去重有很大关系。去重，可以考虑对某个键，存在一个值,这个值就是那个键的状态.使用了Berkeley DB，你就不需要考虑进行磁盘IO操作的性能损失了,这个数据库在设计的时候很好地考虑了这些问题，并且该数据库支持高并发，支持记录的顺序存储和随机存储，是一个不错的选择。URL去重存储库使用Berkeley DB,压缩后的URL字符串作为Key，或者直接使用压缩后的URL字节数组作为Key，对于Value可以使用Boolean，一个字节，或者使用字节数组，实际Value只是一个状态标识，减少Value存储占用存储空间。2.2。2。5 基于布隆过滤器(Bloom Filter）的存储使用布隆过滤器，设计多个Hash函数，也就是对每个字符串进行映射是经过多个Hash函数进行映射，映射到一个二进制向量上，这种方式充分利用了比特位。不过，我没有用过这种方式，有机会可以尝试一下.可以参考Google的http:/www.googlechinablog。com/2007/07/bloom-filter.html。2.2。3 LRU算法实现URL消重用双向链表来实现大容量cache的LRU算法。原理是:cache的所有位置都用双向链表连接起来，当一个位置被命中后，就将通过调整链表的指向将该位置调整到链表的头位置，新加入的内容直接放在链表的头上.这样,在进行过多次查找操作后，最近被命中过的内容就像链表的头移动,而没有命中过的内容就向链表的后面移动。当需要替换时,链表最后的位置就是最近最少被命中位置，我们只需要将新的内容放在链表前面，淘汰链表最后的位置就实现了LRU算法。2.3 URL类访问网络JAVA提供了许多支Internet连接的类，URL类就是其中之一。在使用URL类之前，必须创建一个URL对象,创建的方法是使用其构造函数，通过向其指定一个URL地址，就能实例化该类。如：URL url=new URL（http：/www。sina。）；如果传递无效的URL给URL对象,该对象会抛出MalformedURLException异常。当成功创建一个URL对象后，我们调用openConnection函数建立与URL的通信，此时，我们就获得了一个URLConnection对象的引用,URLConnection类包含了许多与网络上的URL通信的函数。在下载网页前，我们需要判断目标网页是否存在,这时调用URLConnection类的getHeaderField（)方法，获得服务器返回给SPIDER 程序的响应码,如果响应码包含”20”字样，表示目标网页存在,下一步就下载网页,否则就不下载.getHeaderField(）方法仅仅获得服务器返回的头标志,其通信开销是最小的，因此在下载网页前进行此测试，不仅能减小网络流量，而且能提高程序效率。当目标网页存在时2调用URLConnection类getInputStream（)函数明确打开到URL的连接，获取输入流，再用java.io包中的InputStreamReader类读取该输入流，将网页下载下来。2.4爬行策略浅析2.4.1宽度或深度优先搜索策略搜索引擎所用的第一代网络爬虫主要是基于传统的图算法， 如宽度优先或深度优先算法来索引整个Web, 一个核心的U RL 集被用来作为一个种子集合， 这种算法递归的跟踪超链接到其它页面, 而通常不管页面的内容, 因为最终的目标是这种跟踪能覆盖整个Web. 这种策略通常用在通用搜索引擎中,因为通用搜索引擎获得的网页越多越好， 没有特定的要求。2。4。1.1宽度优先搜索算法宽度优先搜索算法(又称广度优先搜索) 是最简便的图的搜索算法之一， 这一算法也是很多重要的图的算法的原型. Dijkstra 单源最短路径算法和Prim 最小生成树算法都采用了和宽度优先搜索类似的思想.宽度优先搜索算法是沿着树的宽度遍历树的节点， 如果发现目标, 则算法中止. 该算法的设计和实现相对简单, 属于盲目搜索. 在目前为覆盖尽可能多的网页， 一般使用宽度优先搜索方法。 也有很多研究将宽度优先搜索策略应用于聚焦爬虫中. 其基本思想是认为与初始U RL 在一定链接距离内的网页具有主题相关性的概率很大. 另外一种方法是将宽度优先搜索与网页过滤技术结合使用， 先用广度优先策略抓取网页, 再将其中无关的网页过滤掉。 这些方法的缺点在于， 随着抓取网页的增多， 大量的无关网页将被下载并过滤， 算法的效率将变低。2.4.1。2深度优先搜索深度优先搜索所遵循的搜索策略是尽可能“深”地搜索图. 在深度优先搜索中， 对于最新发现的顶点, 如果它还有以此为起点而未探测到的边， 就沿此边继续汉下去。 当结点v 的所有边都己被探寻过， 搜索将回溯到发现结点v 有那条边的始结点. 这一过程一直进行到已发现从源结点可达的所有结点为止。 如果还存在未被发现的结点， 则选择其中一个作为源结点并重复以上过程, 整个进程反复进行直到所有结点都被发现为止。 深度优先在很多情况下会导致爬虫的陷入( trapped） 问题, 所以它既不是完备的， 也不是最优的.2。4。2 聚焦搜索策略基于第一代网络爬虫的搜索引擎抓取的网页一般少于1 000 000 个网页， 极少重新搜集网页并去刷新索引。 而且其检索速度非常慢， 一般都要等待10 s甚至更长的时间. 随着网页页信息的指数级增长及动态变化， 这些通用搜索引擎的局限性越来越大, 随着科学技术的发展, 定向抓取相关网页资源的聚焦爬虫便应运而生.聚焦爬虫的爬行策略只挑出某一个特定主题的页面, 根据“最好优先原则”进行访问， 快速、有效地获得更多的与主题相关的页面， 主要通过内容和Web 的链接结构来指导进一步的页面抓取 2 . 聚焦爬虫会给它所下载下来的页面分配一个评价分， 然后根据得分排序， 最后插入到一个队列中。 最好的下一个搜索将通过对弹出队列中的第一个页面进行分析而执行， 这种策略保证爬虫能优先跟踪那些最有可能链接到目标页面的页面。 决定网络爬虫搜索策略的关键是如何评价链接价值, 即链接价值的计算方法, 不同的价值评价方法计算出的链接的价值不同， 表现出的链接的“重要程度也不同， 从而决定了不同的搜索策略。 由于链接包含于页面之中，而通常具有较高价值的页面包含的链接也具有较高的价值, 因而对链接价值的评价有时也转换为对页面价值的评价。 这种策略通常运用在专业搜索引擎中, 因为这种搜索引擎只关心某一特定主题的页面.2。4。3基于内容评价的搜索策略基于内容评价的搜索策略 3, 4 ， 主要是根据主题（如关键词、主题相关文档) 与链接文本的相似度来评价链接价值的高低, 并以此决定其搜索策略: 链接文本是指链接周围的说明文字和链接U RL 上的文字信息， 相似度的评价通常采用以下公式:sim (d i， d j ） =mk= 1w ik w jk（mk= 1w 2ik ) (mk= 1w 2jk ）其中, di 为新文本的特征向量, d j 为第j 类的中心向量，m 为特征向量的维数，wk 为向量的第K 维.由于Web 页面不同于传统的文本， 它是一种半结构化的文档， 包含许多结构信息Web 页面不是单独存在的, 页面中的链接指示了页面之间的相互关系, 因而有些学者提出了基于链接结构评价链接价值的方法.2.4。4 基于链接结构评价的搜索策略基于链接结构评价的搜索策略, 是通过对Web页面之间相互引用关系的分析来确定链接的重要性, 进而决定链接访问顺序的方法。 通常认为有较多入链或出链的页面具有较高的价值. PageRank 和Hits 是其中具有代表性的算法。2.4.4。1PageRank 算法基于链接评价的搜索引擎的优秀代表是Google (http:/www.Google。com) ， 它独创的“链接评价体系”（PageRank 算法) 是基于这样一种认识, 一个网页的重要性取决于它被其它网页链接的数量， 特别是一些已经被认定是“重要”的网页的链接数量。 PageRank 算法最初用于Google 搜索引擎信息检索中对查询结果的排序过程 5 , 近年来被应用于网络爬虫对链接重要性的评价， PageRank 算法中， 页面的价值通常用页面的PageRank值表示， 若设页面p 的PageRank 值为PR （p ） ， 则PR （p ） 采用如下迭代公式计算：PR (p ) = C 1T+ (1 - C) Cin (p ）PR (p )ou t (C) 其中T 为计算中的页面总量， C 1 是阻尼常数因子, in （p ） 为所有指向p 的页面的集合， out （C) 为页面C出链的集合. 基于PageRank 算法的网络爬虫在搜索过程中, 通过计算每个已访问页面的PageRank 值来确定页面的价值, 并优先选择PageRank 值大的页面中的链接进行访问.2.4.4。2H ITS 算法HITS 方法定义了两个重要概念： Authority 和Hub. Authority 表示一个权威页面被其它页面引用的数量， 即该权威页面的入度值。 网页被引用的数量越大, 则该网页的Authority 值越大; Hub 表示一个Web 页面指向其它页面的数量， 即该页面的出度值。 网页的出度值越大, 其Hub 值越高. 由于Hub 值高的页面通常都提供了指向权威页面的链接, 因而起到了隐含说明某主题页面权威性的作用.HITS （Hyperlink Induced Top ic Search) 算法是利用HubAuthority 方法的搜索方法,Authority表示一个页面被其它页面引用的数量, 即该页面的入度值。 Hub 表示一个Web 页面指向其它页面的数量， 即该页面的出度值。 算法如下： 将查询q 提交给传统的基于关键字匹配的搜索引擎. 搜索引擎返回很多网页, 从中取前n 个网页作为根集, 用S 表示.通过向S 中加入被S 引用的网页和引用S 的网页将S 扩展成一个更大的集合T。以T 中的Hub 网页为顶点集V l， 以权威网页为顶点集V 2，V1 中的网页到V 2 中的网页的超链接为边集E ， 形成一个二分有向图S G = （V 1,V 2， E )。对V 1 中的任一个顶点v ， 用H （v ） 表示网页v 的Hub值， 对V 2 中的顶点u， 用A （u) 表示网页的Authority值。 开始时H （v ） = A (u) = 1， 对u 执行公式（1） 来修改它的A (u） ， 对v 执行公式（2） 来修改它的H (v ) , 然后规范化A （u） , H （v ） , 如此不断的重复计算上述运算， 直到A （u） ， H (v ） 收敛。A (u） = v: （v , u） EH （v ) （1） H (v ) = v： （v, u) EA (v ) (2）式（1) 反映了若一个网页由很多好的Hub 指向， 则其权威值会相应增加(即权威值增加为所有指向它的网页的现有Hub 值之和）. 式(2) 反映了若一个网页指向许多好的权威页， 则Hub 值也会相应增加(即Hub 值增加为该网页链接的所有网页的权威值之和).虽然基于链接结构价的搜索考虑了链接的结构和页面之间的引用关系, 但忽略了页面与主题的相关性， 在某些情况下， 会出现搜索偏离主题的问题. 另外, 搜索过程中需要重复计算PageRank 值或Authority 以及Hub 权重， 计算复杂度随页面和链接数量的增长呈指数级增长 6 .2。4。5 基于巩固学习的聚焦搜索近年来对Web 信息资源分布的研究表明很多类型相同的网站在构建方式上, 主题相同的网页在组织方式上都存在着一定的相似性, 有的学者就考虑将巩固学习引入网络爬虫的训练过程中, 从这些相似性获取一些“经验”， 而这些经验信息在搜索距相关页面集较远的地方往往能获得较好的回报, 而前两种策略在这种情况下容易迷失方向。在巩固学习模型中, 把网络爬虫经过若干无关页面的访问之后才能获得的主题相关页面称为未来回报, 对未来回报的预测值称为未来回报价值, 用Q价值表示. 这种方法的核心就是学习如何计算链接的Q 价值， 根据未来回报价值确定正确的搜索方向. 目前这类搜索策略不足之处在于学习效率低的问题， 而且在训练过程中增加了用户的负担。2.4。6 基于语境图的聚焦搜索基于巩固学习的网络爬虫通过计算链接的Q价值可以确定搜索方向， 但它却无法估计距离目标页面的远近. 为此， Diligent 等提出了基于“语境图”的搜索策略, 它通过构建典型页面的web“语境图来估计离目标页面的距离, 距离较近的页面较早得到访问 7 .基于“语境图”的搜索策略需要借助已有的通用搜索引擎构建“语境图”, 而搜索引擎的检索结果并非一定代表真实的web 结构, 因而这种方式也具有局限性.第三章 系统需求分析及模块设计第三章 系统需求分析及模块设计3。1 系统需求分析SPIDER要获取的对象是存在于网络上数以亿计的网页，这些网页以超链接形式互相联系在一起,每一网页对应一个超链接，也称统一资源定位符（URL）.我们可以把网络看做一个图M（V,E)，网络中的网页构成节点集V，他们之间的链接构成边集E,SPIDER正是从某一节点开始，沿着边，遍历图M，每访问到图中一个节点Vi,就进行一定的处理。为了达到上述目的，一个SPIDER必须被设计成多线程的，A 个线程并发地在网络上协同工作,才有可能在尽可能短的时间内遍历完网络中的网页.但网页数目是如此之大,如果任SPIDER程序无穷地搜索下去,那么程序几乎不能终止。所以我们限制SPIDER每次工作只访问一个站点。一个再大型的站点，其中的网页数目也是有限的，因此SPIDER程序能在有限的时间内结束。当SPIDER程序访问到一个网页,必须进行以下几项基本处理：抽取网页中包含的文本；抽取网页中包含的URL,并将其区分为网站内URL或网站外URL。3.2 SPIDER体系结构此爬虫程序主要分为三个部分：任务执行端，任务调度端，数据服务端。每一个SPIDER 任务执行端关联一个站点,一个线程下载一个基于URL 链接的页面, 并进行Web 页面解析, 得到站内URL 和发现新站点URL另外,将URL 队列持久化到数据库， 因此在SPIDER 任务执行端以外Down 掉后, 能够断点续传。SPIDER 客户端线程间的协调通信采用Java 的线程同步技术synchronized,在数据服务端中对URL 进行缓存提高了系统处理速度。 SPIDER 的任务执行和任务调度端都需要维持一个URL 队列: 任务执行端的URL 队列中存储了站内URL; 任务调度端则是站点的URL. 在这些URL 队列上有大量的操作, 包括URL 查找、 URL 插入、URL 状态更新等. 如果SPIDER 以300 页秒的速度下载Web 页面, 平均将会产生2000 多个URL 12 , 因此简单的采用内存数据结构存储这些URL 队列有一定的问题， 系统没有足够的内存空间;而采用直接持久化到数据库, 则需要大量的数据库连接、查询等操作， 系统效率会明显下降。 如果采用URL 压缩的办法，尽管在一定程度上可以平衡空间和时间的矛盾， 但仍然不适用于大规模数据采集的SPIDER.图3。2 SPIDER体系结3.3 各主要功能模块（类）设计SPIDERWorker类：该类继承自线程类，请求任务URL，根据得到的URL下载相应的HTML代码,利用HTML代码调用其他模块完成相关处理。SPIDERManager类:该类用于控制SPIDERWorker线程。UrlQueueManager类:该类用于维护URL等待队列，分配任务URL，URL消重模块。UrlParse类：用于解析HTML，获取并过滤URL.DateBaseConnect类：用于提供数据库连接.3.4 SPIDER工作过程将给定的初始URL加入到URL等待队列.创建爬虫线程，启动爬虫线程每个爬虫线程从URL等待队列中取得任务URL。然后根据URL下载网页，然后解析网页，获取超链接URLs。如果获取到的URL为相对地址,需要转换为绝对地址，然后淘汰站外URLs，错误URLs或者不能解析的URL地址.再判断这些URL是否已经被下载到，如果没有则加入到URL等待队列。继续执行步骤，直到结束条件停止。将初始URLs加入到等待队列创建启动爬虫线程从URL等待队列获取任务URL下载URL对应的HTML代码将相对地址转换为绝对地址是否为绝对地址解析HTML，获取URLs将URLs加入到URL等待队列是否为非法URL是否为重复URL第四章 系统实现第四章 系统分析与设计4.1 SPIDER构造分析构造SPIDER 程序有两种方式：（1）把SPIDER 程序设计为递归的程序；(2）编写一个非递归的程序，它要维护一个要访问的网页列表.考虑使用哪一种方式的前提是，构造的SPIDER 程序必须能够访问非常大的Web 站点。本系统中使用了非递归的程序设计方法。这是因为，当一个递归程序运行时要把每次递归压入堆栈，但在本系统设计中使用的是多线程,它允许一次运行多个任务,但是，多线程与递归是不兼容的。因为在这一过程中每一个线程都有自己的堆栈，而当一个方法调用它自身时，它们需要使用同一个堆栈。这就意味着递归的SPIDER 程序不能使用多线程