网络爬虫调研报告样本.doc

窗体顶端
网络爬虫调研报告
基本原理
Spider概述
Spider即网络爬虫 ,其定义有广义和狭义之分。狭义上指遵循原则 http合同运用超链接和 Web文档检索办法遍历万维网信息空间软件程序 ;而广义定义则是所有能遵循 http合同检索 Web文档软件都称之为网络爬虫。
Spider是一种功能很强自动提取网页程序 ,它为搜索引擎从万维网上下载网页 ,是搜索引擎重要构成 .它通过祈求站点上 HTML文档访问某一站点。它遍历 Web空间 ,不断从一种站点移动到另一种站点 ,自动建立索引 ,并加入到网页数据库中。网络爬虫进入某个超级文本时 ,它运用 HTML语言标记构造来搜索信息及获取指向其她超级文本 URL地址 ,可以完全不依赖顾客干预实现网络上自动爬行和搜索。
Spider队列
（1）等待队列 :新发现 URL被加入到这个队列 ,等待被 Spider程序解决 ；
（2）解决队列 :要被解决 URL被传送到这个队列。为了避免同一种 URL被多次解决 ,当一种 URL被解决过后 ,它将被转移到完毕队列或者错误队列 (如果发生错误 )。
（3）错误队列 :如果在下载网页是发生错误 ,该 URL将被加入 到错误队列。
（4）完毕队列 :如果在解决网页没有发生错误 ,该 URL将被加入到完毕队列。
网络爬虫搜索方略
在抓取网页时候 ,当前网络爬虫普通有两种方略 :无主题搜索与基于某特定主体专业智能搜索。其中前者重要涉及 :广度优先和深度优先。广度优先是指网络爬虫会先抓取起始网页中链接所有网页 ,然后再选取其中一种链接网页 ,继续抓取在此网页中链接所有网页。这是最惯用方式,由于这个办法可以让网络爬虫并行解决 ,提高其抓取速度。深度优先是指网络爬虫会从起始页开始 ,一种链接一种链接跟踪下去 ,解决完这条线路之后再转入下一种起始页 ,继续跟踪链接。这个办法有个长处是网络爬虫在设计时候比较容易。大多数网页爬行器采用宽度优先搜索方略或者是对这种方略某些改进。
在专业搜索引擎中 ,网络爬虫任务是获取 Web页面和决定链接访问顺序 ,它普通从一种 “种子集 ”(如顾客查询、种子链接或种子页面 )发,以迭代方式访问页面和提取链接。搜索过程中 ,未访问链接被暂存在一种称为 “搜索前沿 ”(Spider Frontier)队列中 ,网络爬虫依照搜索前沿中链接 “重要限度 ”决定下一种要访问链接。如何评价和预测链接 “重要限度 ”(或称价值 )是决定网络爬虫搜索方略核心。
众多网络爬虫设计各不相似 ,但归根结底是采用不同链接价值评价原则。
惯用开源网络爬虫简介及其比较
Nutch
开发语言：Java

简介：
Apache子项目之一，属于Lucene项目下子项目。
Nutch是一种基于Lucene，类似Google完整网络搜索引擎解决方案，基于Hadoop分布式解决模型保证了系统性能，类似Eclipse插件机制保证了系统可客户化，并且很容易集成到自己应用之中。

Larbin
开发语言：C++

简介
　　larbin是一种开源网络爬虫/网络蜘蛛，由法国年轻人 Sébastien Ailleret独立开发。larbin目是可以跟踪页面url进行扩展抓取，最后为搜索引擎提供广泛数据来源。
　　Larbin只是一种爬虫，也就是说larbin只抓取网页，至于如何parse事情则由顾客自己完毕。此外，如何存储到数据库以及建立索引事情 larbin也不提供。
　　latbin最初设计也是根据设计简朴但是高度可配备性原则，因而咱们可以看到，一种简朴larbin爬虫可以每天获取５００万网页，非常高效。

Heritrix
开发语言：Java

简介
与Nutch比较
      Heritrix 和 Nutch。两者均为Java开源框架，Heritrix 是 SourceForge上开源产品，Nutch为Apache一种子项目，它们都称作网络爬虫/蜘蛛（ Web Crawler），它们实现原理基本一致：深度遍历网站资源，将这些资源抓取到本地，用法都是分析网站每一种有效URI，并提交Http祈求，从而获得相应成果，生成本地文献及相应日记信息等。
  Heritrix 是个 "archival crawler" -- 用来获取完整、精准、站点内容深度复制。涉及获取图像以及其她非文本内容。抓取并存储有关内容。对内容来者不拒，不对页面进行内容上修改。重新爬行对相似URL不针对先迈进行替代。爬虫通过Web顾客界面启动、监控、调节，容许弹性定义要获取URL。
两者差别：
Nutch 只获取并保存可索引内容。Heritrix则是照单全收。力求保存页面原貌
Nutch 可以修剪内容，或者对内容格式进行转换。
Nutch 保存内容为数据库优化格式便于后来索引；刷新替代旧内容。而Heritrix 是添加(追加)新内容。
Nutch 从命令行运营、控制。Heritrix 有 Web 控制管理界面。
Nutch 定制能力不够强，但是当前已有了一定改进。Heritrix 可控制参数更多。
Heritrix提供功能没有nutch多，有点整站下载味道。既没有索引又没有解析，甚至对于重复爬取URL都解决不是较好。
Heritrix功能强大 但是配备起来却有点麻烦。
三者比较
一、从功能方面来说，Heritrix与Larbin功能类似。都是一种纯粹网络爬虫，提供网站镜像下载。而Nutch是一种网络搜索引擎框架，爬取网页只是其功能一某些。
二、从分布式解决来说，Nutch支持分布式解决，而此外两个好像尚且还没有支持。
三、从爬取网页存储方式来说，Heritrix和 Larbin都是将爬取下来内容保存为原始类型内容。而Nutch是将内容保存到其特定格式segment中去。
四，对于爬取下来内容解决来说，Heritrix和 Larbin都是将爬取下来内容不经解决直接保存为原始内容。而Nutch对文本进行了涉及链接分析、正文提取、建立索引（Lucene索引）等解决。
五，从爬取效率来说，Larbin效率较高，由于其是使用c++实现并且功能单一。
表 3种爬虫比较
crawler
开发语言
功能单一
支持分布式爬取
效率
镜像保存
Nutch
Java
×
√
低
×
Larbin
C++
√
×
高
√
Heritrix
Java
√
×
中
√
其她网络爬虫简介：
Heritrix
Heritrix是一种开源，可扩展web爬虫项目。Heritrix设计成严格按照robots.txt文献排除批示和META robots标签。

WebSPHINX
WebSPHINX是一种Java类包和Web爬虫交互式开发环境。Web爬虫(也叫作机器人或蜘蛛)是可以自动浏览与解决Web页面程序。WebSPHINX由两某些构成：爬虫工作平台和WebSPHINX类包。
~rcm/websphinx/

WebLech
WebLech是一种功能强大Web站点下载与镜像工具。它支持按功能需求来下载web站点并可以尽量模仿原则Web浏览器行为。WebLech有一种功能控制台并采用多线程操作。

Arale
Arale重要为个人使用而设计，而没有像其他爬虫同样是关注于页面索引。Arale可以下载整个web站点或来自web站点某些资源。Arale还可以把动态页面映射成静态页面。

J-Spider
J-Spider:是一种完全可配备和定制Web Spider引擎.你可以运用它来检查网站错误(内在服务器错误等),网站内外部链接检查，分析网站构造(可创立一种网站地图),下载整个Web站点，你还可以写一种JSpider插件来扩展你所需要功能。

spindle
spindle 是一种构建在Lucene工具包之上Web索引/搜索工具.它涉及一种用于创立索引HTTP spider和一种用于搜索这些索引搜索类。spindle项目提供了一组JSP标签库使得那些基于JSP站点不需要开发任何Java类就可以增长搜索功能。

Arachnid
Arachnid：是一种基于Javaweb spider框架.它包括一种简朴HTML剖析器可以分析包括HTML内容输入流.通过实现Arachnid子类就可以开发一种简朴Web spiders并可以在Web站上每个页面被解析之后增长几行代码调用。 Arachnid下载包中包括两个spider应用程序例子用于演示如何使用该框架。

LARM
LARM可觉得Jakarta Lucene搜索引擎框架顾客提供一种纯Java搜索解决方案。它包括可觉得文献，数据库表格建立索引办法和为Web站点建索引爬虫。

JoBo
JoBo 是一种用于下载整个Web站点简朴工具。它本质是一种Web Spider。与其他下载工具相比较它重要优势是可以自动填充form(如：自动登录)和使用cookies来解决session。JoBo尚有灵活下载规则(如：通过网页URL，大小，MIME类型等)来限制下载。

snoics-reptile
snoics -reptile是用纯Java开发，用来进行网站镜像抓取工具，可以使用配制文献中提供URL入口，把这个网站所有能用浏览器通过GET方式获取到资源所有抓取到本地，涉及网页和各种类型文献，如：图片、flash、mp3、zip、rar、exe等文献。可以将整个网站完整地下传至硬盘内，并能保持原有网站构造精准不变。只需要把抓取下来网站放到web服务器(如：Apache)中，就可以实现完整网站镜像。

Web-Harvest
Web-Harvest是一种Java开源Web数据抽取工具。它可以收集指定Web页面并从这些页面中提取有用数据。Web-Harvest重要是运用了像XSLT,XQuery,正则表达式等这些技术来实现对text/xml操作。

spiderpy
spiderpy是一种基于Python编码一种开源web爬虫工具，容许顾客收集文献和搜索网站，并有一种可配备界面。

The Spider Web Network Xoops Mod Team
pider Web Network Xoops Mod是一种Xoops下模块，完全由PHP语言实现。

larbin
larbin是个基于C++web爬虫工具，拥有易于操作界面，但是只能跑在LINUX下，在一台普通PC下larbin每天可以爬5百万个页面(固然啦，需要拥有良好网络)

爬虫存在问题
1.       robots.txt
robots.txt是一种纯文本文献，在这个文献中网站管理者可以声明该网站中不想被robots访问某些，或者指定搜索引擎只收录指定内容。
当一种搜索机器人（有叫搜索蜘蛛）访问一种站点时，它会一方面检查该站点根目录下与否存在robots.txt，如果存在，搜索机器人就会按照该文献中内容来拟定访问范畴；如果该文献不存在，那么搜索机器人就沿着链接抓取。
此外，robots.txt必要放置在一种站点根目录下，并且文献名必要所有小写。
2.       有些类型网页难以爬取。例如，使用javascript调用页面、需要注册才干访问页面等。
网络爬虫有关研究工作
有些类型网页难以爬取。例如，使用javascript调用页面、需要注册才干访问页面等，对于这些网络爬取被归结为深层网络挖掘。这些网页可归结为如下几类：（1）通过
填写表单形成对后台再现数据库查询得到动态页面。（2）由于缺少被指向超链接而没有被索引到页面。（3）需要注册或其她限制访问页面。（4）可访问非网页文献。在曾伟辉等人文章中，对此类问题进行了综述。在王映等人文章中，提出了使用一种嵌入式JavaScript引擎来进行动态网页采集办法。
1.       有些非静态Web2.0网站内容动态生成，数据量巨大，难以抓取，例如论坛等网站。在SIGIR中，Yida Wang等提出了一种爬取论坛爬取办法。
2       有些网站会限制网络爬虫爬取，Analia G. Lourenco,  Orlando O. Belo 在提出来使用查询日记办法限制网络爬虫活动以减轻服务器压力。
3.       网络上网页数量太大，在爬取时需要考虑爬取时间及效率等问题，UCLAJunghoo Cho等提出了使用并行crawler办法。
4.       主题网络爬虫研究
将来研究方向
分布式网络爬虫
并行网络爬虫
特定领域如论坛，博客等爬取
关于Ajax技术深层网络爬虫研究。
多媒体网络爬虫研究
对等网络（P2P,Peer to Peer）网络爬虫

参照文献：
[1] 谢国强等，《基于Web网络爬虫技术研究》
[2] Yida Wang etc. Exploring Traversal Strategy for Web Forum Crawling，sigir’ 08
[3] Junghoo Cho(UCLA)，Hector Garcia-Molina( Standford)，Parallel Crawlers，WWW
[4] Analia Lourenco etc，Catching Web Crawlers in the Act，ICWE’06
[5] 曾伟辉等，《深层网络爬虫研究综述》，计算机系统应用 第5期
[6] 王映、于满泉等，《JavaScript引擎在动态网页采集技术中应用》，中科院计算所、微软亚洲研究院
网络爬虫调研报告
基本原理
Spider概述
Spider即网络爬虫 ,其定义有广义和狭义之分。狭义上指遵循原则 http合同运用超链接和 Web文档检索办法遍历万维网信息空间软件程序 ;而广义定义则是所有能遵循 http合同检索 Web文档软件都称之为网络爬虫。
Spider是一种功能很强自动提取网页程序 ,它为搜索引擎从万维网上下载网页 ,是搜索引擎重要构成 .它通过祈求站点上 HTML文档访问某一站点。它遍历 Web空间 ,不断从一种站点移动到另一种站点 ,自动建立索引 ,并加入到网页数据库中。网络爬虫进入某个超级文本时 ,它运用 HTML语言标记构造来搜索信息及获取指向其她超级文本 URL地址 ,可以完全不依赖顾客干预实现网络上自动爬行和搜索。
Spider队列
（1）等待队列 :新发现 URL被加入到这个队列 ,等待被 Spider程序解决 ；
（2）解决队列 :要被解决 URL被传送到这个队列。为了避免同一种 URL被多次解决 ,当一种 URL被解决过后 ,它将被转移到完毕队列或者错误队列 (如果发生错误 )。
（3）错误队列 :如果在下载网页是发生错误 ,该 URL将被加入 到错误队列。
（4）完毕队列 :如果在解决网页没有发生错误 ,该 URL将被加入到完毕队列。
网络爬虫搜索方略
在抓取网页时候 ,当前网络爬虫普通有两种方略 :无主题搜索与基于某特定主体专业智能搜索。其中前者重要涉及 :广度优先和深度优先。广度优先是指网络爬虫会先抓取起始网页中链接所有网页 ,然后再选取其中一种链接网页 ,继续抓取在此网页中链接所有网页。这是最惯用方式,由于这个办法可以让网络爬虫并行解决 ,提高其抓取速度。深度优先是指网络爬虫会从起始页开始 ,一种链接一种链接跟踪下去 ,解决完这条线路之后再转入下一种起始页 ,继续跟踪链接。这个办法有个长处是网络爬虫在设计时候比较容易。大多数网页爬行器采用宽度优先搜索方略或者是对这种方略某些改进。
在专业搜索引擎中 ,网络爬虫任务是获取 Web页面和决定链接访问顺序 ,它普通从一种 “种子集 ”(如顾客查询、种子链接或种子页面 )发,以迭代方式访问页面和提取链接。搜索过程中 ,未访问链接被暂存在一种称为 “搜索前沿 ”(Spider Frontier)队列中 ,网络爬虫依照搜索前沿中链接 “重要限度 ”决定下一种要访问链接。如何评价和预测链接 “重要限度 ”(或称价值 )是决定网络爬虫搜索方略核心。
众多网络爬虫设计各不相似 ,但归根结底是采用不同链接价值评价原则。
惯用开源网络爬虫简介及其比较
Nutch
开发语言：Java

简介：
Apache子项目之一，属于Lucene项目下子项目。
Nutch是一种基于Lucene，类似Google完整网络搜索引擎解决方案，基于Hadoop分布式解决模型保证了系统性能，类似Eclipse插件机制保证了系统可客户化，并且很容易集成到自己应用之中。

Larbin
开发语言：C++

简介
　　larbin是一种开源网络爬虫/网络蜘蛛，由法国年轻人 Sébastien Ailleret独立开发。larbin目是可以跟踪页面url进行扩展抓取，最后为搜索引擎提供广泛数据来源。
　　Larbin只是一种爬虫，也就是说larbin只抓取网页，至于如何parse事情则由顾客自己完毕。此外，如何存储到数据库以及建立索引事情 larbin也不提供。
　　latbin最初设计也是根据设计简朴但是高度可配备性原则，因而咱们可以看到，一种简朴larbin爬虫可以每天获取５００万网页，非常高效。

Heritrix
开发语言：Java

简介
与Nutch比较
      Heritrix 和 Nutch。两者均为Java开源框架，Heritrix 是 SourceForge上开源产品，Nutch为Apache一种子项目，它们都称作网络爬虫/蜘蛛（ Web Crawler），它们实现原理基本一致：深度遍历网站资源，将这些资源抓取到本地，用法都是分析网站每一种有效URI，并提交Http祈求，从而获得相应成果，生成本地文献及相应日记信息等。
       Heritrix 是个 "archival crawler" 用来获取完整、精准、站点内容深度复制。涉及获取图像以及其她非文本内容。抓取并存储有关内容。对内容来者不拒，不对页面进行内容上修改。重新爬行对相似URL不针对先迈进行替代。爬虫通过Web顾客界面启动、监控、调节，容许弹性定义要获取URL。
两者差别：
Nutch 只获取并保存可索引内容。Heritrix则是照单全收。力求保存页面原貌
Nutch 可以修剪内容，或者对内容格式进行转换。
Nutch 保存内容为数据库优化格式便于后来索引；刷新替代旧内容。而Heritrix 是添加(追加)新内容。
Nutch 从命令行运营、控制。Heritrix 有 Web 控制管理界面。
Nutch 定制能力不够强，但是当前已有了一定改进。Heritrix 可控制参数更多。
Heritrix提供功能没有nutch多，有点整站下载味道。既没有索引又没有解析，甚至对于重复爬取URL都解决不是较好。
Heritrix功能强大 但是配备起来却有点麻烦。
三者比较
一、从功能方面来说，Heritrix与Larbin功能类似。都是一种纯粹网络爬虫，提供网站镜像下载。而Nutch是一种网络搜索引擎框架，爬取网页只是其功能一某些。
二、从分布式解决来说，Nutch支持分布式解决，而此外两个好像尚且还没有支持
三、从爬取网页存储方式来说，Heritrix和 Larbin都是将爬取下来内容保存为原始类型内容。而Nutch是将内容保存到其特定格式segment中去。
四，对于爬取下来内容解决来说，Heritrix和 Larbin都是将爬取下来内容不经解决直接保存为原始内容。而Nutch对文本进行了涉及链接分析、正文提取、建立索引（Lucene索引）等解决。
五，从爬取效率来说，Larbin效率较高，由于其是使用c++实现并且功能单一。
表 3种爬虫比较
crawler
开发语言
功能单一
支持分布式爬取
效率
镜像保存
Nutch
Java
×
√
低
×
Larbin
C++
√
×
高
√
Heritrix
Java
√
×
中
√
其她网络爬虫简介：
Heritrix
Heritrix是一种开源，可扩展web爬虫项目。Heritrix设计成严格按照robots.txt文献排除批示和META robots标签。

WebSPHINX
WebSPHINX是一种Java类包和Web爬虫交互式开发环境。Web爬虫(也叫作机器人或蜘蛛)是可以自动浏览与解决Web页面程序。WebSPHINX由两某些构成：爬虫工作平台和WebSPHINX类包。
~rcm/websphinx/

WebLech
WebLech是一种功能强大Web站点下载与镜像工具。它支持按功能需求来下载web站点并可以尽量模仿原则Web浏览器行为。WebLech有一种功能控制台并采用多线程操作。

Arale
Arale重要为个人使用而设计，而没有像其他爬虫同样是关注于页面索引。Arale可以下载整个web站点或来自web站点某些资源。Arale还可以把动态页面映射成静态页面。

J-Spider
J-Spider:是一种完全可配备和定制Web Spider引擎.你可以运用它来检查网站错误(内在服务器错误等),网站内外部链接检查，分析网站构造(可创立一种网站地图),下载整个Web站点，你还可以写一种JSpider插件来扩展你所需要功能。

spindle
spindle 是一种构建在Lucene工具包之上Web索引/搜索工具.它涉及一种用于创立索引HTTP spider和一种用于搜索这些索引搜索类。spindle项目提供了一组JSP标签库使得那些基于JSP站点不需要开发任何Java类就可以增长搜索功能。

Arachnid
Arachnid：是一种基于Javaweb spider框架.它包括一种简朴HTML剖析器可以分析包括HTML内容输入流.通过实现Arachnid子类就可以开发一种简朴Web spiders并可以在Web站上每个页面被解析之后增长几行代码调用。 Arachnid下载包中包括两个spider应用程序例子用于演示如何使用该框架。

LARM
LARM可觉得Jakarta Lucene搜索引擎框架顾客提供一种纯Java搜索解决方案。它包括可觉得文献，数据库表格建立索引办法和为Web站点建索引爬虫。

JoBo
JoBo 是一种用于下载整个Web站点简朴工具。它本质是一种Web Spider。与其他下载工具相比较它重要优势是可以自动填充form(如：自动登录)和使用cookies来解决session。JoBo尚有灵活下载规则(如：通过网页URL，大小，MIME类型等)来限制下载。

snoics-reptile
snoics -reptile是用纯Java开发，用来进行网站镜像抓取工具，可以使用配制文献中提供URL入口，把这个网站所有能用浏览器通过GET方式获取到资源所有抓取到本地，涉及网页和各种类型文献，如：图片、flash、mp3、zip、rar、exe等文献。可以将整个网站完整地下传至硬盘内，并能保持原有网站构造精准不变。只需要把抓取下来网站放到web服务器(如：Apache)中，就可以实现完整网站镜像。

Web-Harvest
Web-Harvest是一种Java开源Web数据抽取工具。它可以收集指定Web页面并从这些页面中提取有用数据。Web-Harvest重要是运用了像XSLT,XQuery,正则表达式等这些技术来实现对text/xml操作。

spiderpy
spiderpy是一种基于Python编码一种开源web爬虫工具，容许顾客收集文献和搜索网站，并有一种可配备界面。

The Spider Web Network Xoops Mod Team
pider Web Network Xoops Mod是一种Xoops下模块，完全由PHP语言实现。

Fetchgals
Fetchgals是一种基于perl多线程Web爬虫，通过Tags来搜索色情图片。

larbin
larbin是个基于C++web爬虫工具，拥有易于操作界面，但是只能跑在LINUX下，在一台普通PC下larbin每天可以爬5百万个页面(固然啦，需要拥有良好网络)

爬虫存在问题
1.       robots.txt 
robots.txt是一种纯文本文献，在这个文献中网站管理者可以声明该网站中不想被robots访问某些，或者指定搜索引擎只收录指定内容。
当一种搜索机器人（有叫搜索蜘蛛）访问一种站点时，它会一方面检查该站点根目录下与否存在robots.txt，如果存在，搜索机器人就会按照该文献中内容来拟定访问范畴；如果该文献不存在，那么搜索机器人就沿着链接抓取。
此外，robots.txt必要放置在一种站点根目录下，并且文献名必要所有小写。
2.       有些类型网页难以爬取。例如，使用javascript调用页面、需要注册才干访问页面等。
网络爬虫有关研究工作
有些类型网页难以爬取。例如，使用javascript调用页面、需要注册才干访问页面等，对于这些网络爬取被归结为深层网络挖掘。这些网页可归结为如下几类：（1）通过
填写表单形成对后台再现数据库查询得到动态页面。（2）由于缺少被指向超链接而没有被索引到页面。（3）需要注册或其她限制访问页面。（4）可访问非网页文献。在曾伟辉等人文章中，对此类问题进行了综述。在王映等人文章中，提出了使用一种嵌入式JavaScript引擎来进行动态网页采集办法
1.       有些非静态Web2.0网站内容动态生成，数据量巨大，难以抓取，例如论坛等网站。在SIGIR中，Yida Wang等提出了一种爬取论坛爬取办法。
2.       有些网站会限制网络爬虫爬取，Analia G. Lourenco,  Orlando O. Belo 在提出来使用查询日记办法限制网络爬虫活动以减轻服务器压力。
3.       网络上网页数量太大，在爬取时需要考虑爬取时间及效率等问题，UCLAJunghoo Cho等提出了使用并行crawler办法。
4.       主题网络爬虫研究
将来研究方向
分布式网络爬虫
并行网络爬虫
特定领域如论坛博客等爬取
关于Ajax技术深层网络爬虫研究
多媒体网络爬虫研究
对等网络（P2P,Peer to Peer）网络爬虫

参照文献：
[1] 谢国强等，《基于Web网络爬虫技术研究》
[2] Yida Wang etc. Exploring Traversal Strategy for Web Forum Crawling，sigir’ 08
[3] Junghoo Cho(UCLA)，Hector Garcia-Molina( Standford)，Parallel Crawlers，WWW
[4] Analia Lourenco etc，Catching Web Crawlers in the Act，ICWE’06
[5] 曾伟辉等，《深层网络爬虫研究综述》，计算机系统应用 第5期
[6] 王映、于满泉等，《JavaScript引擎在动态网页采集技术中应用》，中科院计算所、微软亚洲研究院