1、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。ABSTRACTIIABSTRACTSPIDER is
2、 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 bre
3、adth-first algorithm multi-thread SPDIER. This paper expatiates some major problems of SPIDER: why to use breadth-first crawling strategy, and how to implement breadth-first crawling; why to use multi-threading, and how to implement multi-thread; data structure; HTML code parse. etc. This SPIDER can
4、 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 UR
5、L 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
6、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
7、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
8、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
9、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2.1 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
10、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-Pro
11、cess）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
12、码和数据。JAVA 的线程是通过 java.lang.Thread 类来实现的，它内第二章 相关技术介绍3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
13、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
14、 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
15、运行它。电子科技大学成都学院本科毕业设计论文4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（Run
16、ning）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
17、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
18、 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；第二章 相关技术介绍5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
19、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
20、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
21、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 去重储存库设计电子科技大学成都学院本科毕业设计论文6在爬虫启动工作的过程中，我们不希望同一个网页被多次
22、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
23、，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
24、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
25、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，第二章 相关技术介绍7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
26、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
27、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
28、式，有机会可以尝试一下。可以参考 Google的 http:/ 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。电子科技大学成都学院本科毕业设计论文82.3 URL 类访问网络JA
29、VA 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:/ ）；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
30、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
31、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
32、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. 第二章 相关技术介绍9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
33、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
34、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
35、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) 电
36、子科技大学成都学院本科毕业设计论文10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
37、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.2.4.4.1 PageRank 算法基于链接评价的搜索引擎的优秀代表是 Google (http:/www.G) , 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.
38、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我猜200905315-31火影忍者331 ，页面上 303 既是第四章 系统实现19通过观察得知，一般 href 标签是以 href=这样的形式出现
39、的。但是不同的网站 href=后面的内容有所不同。比如 href=”url”这样情况，我们就可以通过截取双引号之间的内容来获取 URL；如果是 href=url这种情况，我们就需要截取单引号之间的内容来获取 URL；或者有些是 href=url，我们需要以等号为开始标记，而这种情况通常结尾是空格或者符号。通过这种方法，我们获取网页中大部分的 URLs。但是有些 URLs 是通过提交表单，或者通过 javascript 来跳转的。这些情况就需要更细致的考虑，才能获取。4.3.2 URL 解析截取出来的字符串，可能为相对地址或者绝对地址。所以需要判断 URL 为绝对地址，还是相对地址。相对地址需要
40、先转化为绝对地址，再进行过滤。因为解析出来的 URL 地址可能是一些文件的地址，或者为 javascript 文件或者 css文件。这些格式的 URL 是无法获取 HTML 代码的，也就不可能进行 URL 解析。所以我们需要过滤掉这些 URLs。然后再进行 URL 消重处理，最后加入到 URL等待队列。为了把爬行限制在同一站点内需要截断指向站外的链接,保证 SPIDER 总在站内执行,即准确地根据超链 URL 判断超链是否指向站外.由 RFC 对 URL 的定义可知,URL 的格式为protocol:/host:port/path?query, 一般情况下,同一网站内所有页面对应 URL 的
41、host 是相同的,所以可以使用 host 匹配作为判断超链是否指向站外的标准. 进一步研究发现,很多大型网站中一个分类目录对应一个主机, 所以前面的判断标准必须改进.研究 host 的组成可知, host 的格式一般为站内分类.站点标志串.站点类型各异的串.站点类型串只有 com |edu|gov|net| 国家域名几种类型,所以我们取站点类型各异串前面的串,即站点标志串作匹配,超链 URL的 host 中是否包含此串,为超链是否站内的判断标准.4.3.3 URL 保存因为等待 URLs 的数目非常多，如果全部采用 List 来存储非常的占用内存空间。所以将等待 URLs 存入数据库中，并设
42、计 2 个缓存区，用于向队列中加入和取得 URLs。URL 等待队列设计成三段式：第一段为一个 List,用来加入新得到的 URL。当这个 List 中的数目过多时，则将 List 中的内容加入到数据库，并清空该 List，以便加入新的 URLs；第二段为数据库，当第一段数据过多时，将第一段内的数据存入数据库；第三段也为一个 List，从这里面分配任务URL，当该 List 内 URL 不足时，将数据库里的数据再转存入。电子科技大学成都学院本科毕业设计论文20图 4.3.3 表示了 URL 等待队列的结构。图 4.3.3第五章 系统实现21第五章 系统实现5.1 实现工具操作系统是 winXP
43、;JAVA 程序的编写工具是 eclipse-SDK-3.2.1-win32；数据库是 MYSQL 5 5.0.51a。5.2 爬虫工作这个类继承自线程类，实现线程在 java 中有两种方法：一种是直接继承Thread 类；一种是实现 Runnable 接口。我采用了第二种方法：public class SpiderWorker implements Runnable 在这个类中必须要实现重写 run()这个方法。我在这个方法里定义了一个循环，这个线程会重复地执行爬虫动作。在这个循环里，首先会向 URL 等待队列里请求一个 URL。因为 URL 队列会出现为空或者被其他线程占用的情况。所以我在
44、这里写了一个循环：s = null;while (s = null) s = urlQueueManager.getWaitQueue();如果没有得到 URL 就继续向 URL 等待队列申请。当得到任务 URL 以后，会通过这个 URL 得到对应的 HTML 代码。具体方法是调用 getHtml(String sourse_url)这个方法：HttpURLConnection connection = null;InputStreamReader in = null;BufferedReader br = null;URL url = null;url = new URL(sourse_ur
45、l);connection = (HttpURLConnection) url.openConnection();connection.connect();/ 打开的连接读取的输入流。in = new InputStreamReader(url.openStream();br = new BufferedReader(in);String c;电子科技大学成都学院本科毕业设计论文22while (c = br.readLine() != null) html.append(c);return html.toString();这个方法是通过调用 JAVA 里面的 URL 这个类，可以用给定的 U
46、RL 构造这个类的一个实例，然后通过 openStream()这个方法得到 HTML 代码的数据流，然后再一行一行地把数据流转换成 String 字符串，再用 StringBuffer 将这些字符串拼接成一个完整的 HTML 代码。当得到 HTML 代码以后，程序就会调用 Url_Parse 这个类里面的方法来解析HTML。5.3 URL 解析从 HTML 代码中提取 URLs，主要是通过检索字符串中的 href 字符串来实现的。对于一个 HTML 代码，我寻找其中的 href=字符串，然后记录它的下表i。然后判断下表 i+1 位置上的字符是双引号，单引号或者两者皆不是，然后选择对应的字符作为
47、截取 URL 的终止标记。截取过后的 href 标记就剔除它与它前面的部分，以便而后的操作可以继续检索 href 标记，直到正个 HTML 代码中所有的 href 标记都被解析过后，操作终止。首页动作片恐怖片爱情片例如上面那段 HTML 代码。我们先检索 href=标记，然后判断出第 i+1 位为一个双引号，所以我们可以截取 i+1 位到第 2 个双引号的位置。之间的这段字符串即为 URL。当完成这一步操作后，原字符串被截取从“ class=”开始。我们继续检索 href=标签，判断它的第 i+1 位为一个单引号，所以我们又截取i+1 位到第 2 个单引号的位置。这步以后原字符串又被截取为“
48、target=”开始，我们可以继续检索 href=标签。这个地方 href=没有接续任何符号，所以当我们没有发现单引号或双引号的时候，可以判断为这种情况。我们就去检索空格和 siteInsideUrls = new ArrayList();String url = “;/ HTML中是否还含有href 标签boolean haveHref = html_text.contains(“href“);while (haveHref) html_text = html_text.substring(html_text.indexOf(“href=“) + 5);/ 当 href= 后以 “ 开头的情
49、况if (“ = html_text.charAt(0) html_text = html_text.substring(1);url = html_text.substring(0, html_text.indexOf(“);url = addURLhost(fromURL, url);if (isSiteInsideUrl(url, urlQueueManager) if (!urlQueueManager.isContainUrl(url) siteInsideUrls.add(url);haveHref = html_text.contains(“href“);urlQueueManager.waitQueueAdd(siteInsideUrls);在每个 URL 被截取出来之后，需要判断这些 URL 是相对地址，还是绝对地址。动作片TOM365例如上面的 HTML 代码，如果截取出来的 URL 为/mlist/1_1.html 这种形式，即为相对地址。我们需要将其转化为绝对
