- 1、本文档共60页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
* * * * * * * * * * * * * * * * * * * * * * * * * Preferential crawling algorithms: Examples Breadth-First Exhaustively visit all links in order encountered Best-N-First Priority queue sorted by similarity, explore top N at a time Variants: DOM context, hub scores PageRank Priority queue sorted by keywords, PageRank SharkSearch Priority queue sorted by combination of similarity, anchor text, similarity of parent, etc. (powerful cousin of FishSearch) InfoSpiders Adaptive distributed algorithm using an evolving population of learning agents Preferential crawlers: Examples For I(p) = PageRank (estimated based on pages crawled so far), we can find high-PR pages faster than a breadth-first crawler (Cho, Garcia-Molina Page 1998) Recall Crawl size 主题Web信息采集 选择性的搜寻那些与预先定义好的主题集相关页面进行采集 给定特定的种子URL 目前是研究热点,垂直有哪些信誉好的足球投注网站 优点 采集页面更加有针对性,采集效率更高。 缺点 采集速度较慢,判别相关性带来较大的开销。 典型代表:Focused Crwaler -- IITIBM 采集系统首先保存一个经典的主题分类 每个主题分类都保存若干个内容样本 基于Agent的信息采集 智能Agent系统是指一种处于一定环境下包装的计算机系统 它除了具有自治性、社会能力、反应能力和自发行为 还具有一般人类所有的知识、信念、意图和承诺等心智状态,这使得智能Agent系统具有人类的社会智能 将Agent技术用于采集,像人一样感知用户的兴趣变化,使得采集有更强的灵活性、适应性和自主性 典型代表:InfoSpiders ,Letizia * * * * * * * * * * * * * * * * * * * * * * * * * * * * 预取client 为了减少等待查找涉及新主机的地址的时间:尽早将主机名投给DNS系统 步骤 分析刚得到的网页 从HREF属性中提取主机名(不是完整的URL) 向缓存服务器提交DNS解析请求 结果放到DNS cache中(后面可能有用,也可能用不上) 通常用UDP实现 非连接,基于包的通信协议,不保证包的投递 用不着等待解析的完成 网页抓取 问题: 网络连接及传输的开销 局域网的延迟在1-10ms,带宽为10-1000Mbps,Internet的延迟在100-500ms,带宽为0.010-2 Mbps 在一个网络往返时间RTT为200ms的广域网中,服务器处理时间SPT为100ms,那么TCP上的事务时间就大约500ms(2 RTT+SPT) 网页的发送是分成一系列帧进行的,则发送1个网页的时间量级在(13KB/1500B) * 500ms ≈4s 解决: 多个并发的抓取 多个并发的抓取 管理多个并发的连接 单个下载可能需要几秒钟 同时对不同的HTTP服务器建立许多socket 连接 过多的硬件并行好处不大 爬取的性能瓶颈主要在网络和硬盘 两种基本方法 用多线程/多进程 用带事件处理的非阻塞sockets Concurrency A crawler incurs several delays: Resolving the host name in the URL to an IP address using DNS Connecting a socket to the server and sending the request Receiving the requested page in response Solution: Overlap the above delays by fetching many pages concurrently Architecture of a concurrent crawl
您可能关注的文档
- s--呼吸系统药物.ppt
- 2018年秋九年级科学-第2章物质转化与材料利用第3节有机物和有机合成材料练习课件新版浙教版.pptx
- 《家庭教育进行时》课件.ppt
- 2018年秋九年级英语上册Unit4StoriesandPoems主题写作四导学课件新版冀教版.pptx
- T3用友通财务业务产品培训.ppt
- 2018年秋七年级数学-一元一次方程综合检测卷课件新版湘教版.pptx
- 脑气质精神障碍.ppt
- 2018年中考历史复习中国近代史第8课时新民主主义革命的兴起课件川教版.pptx
- 《见实员工销售技巧》课件.ppt
- 2018年中考物理基础过关复习集训第三章物态变化课件新人教版.pptx
- 2024年江西省寻乌县九上数学开学复习检测模拟试题【含答案】.doc
- 2024年江西省省宜春市袁州区数学九上开学学业水平测试模拟试题【含答案】.doc
- 《GB/T 44275.2-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第2部分:术语》.pdf
- 中国国家标准 GB/T 44275.2-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第2部分:术语.pdf
- GB/T 44285.1-2024卡及身份识别安全设备 通过移动设备进行身份管理的构件 第1部分:移动电子身份系统的通用系统架构.pdf
- 《GB/T 44285.1-2024卡及身份识别安全设备 通过移动设备进行身份管理的构件 第1部分:移动电子身份系统的通用系统架构》.pdf
- 中国国家标准 GB/T 44285.1-2024卡及身份识别安全设备 通过移动设备进行身份管理的构件 第1部分:移动电子身份系统的通用系统架构.pdf
- GB/T 44275.11-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第11部分:术语制定指南.pdf
- 中国国家标准 GB/T 44275.11-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第11部分:术语制定指南.pdf
- 《GB/T 44275.11-2024工业自动化系统与集成 开放技术字典及其在主数据中的应用 第11部分:术语制定指南》.pdf
文档评论(0)