欢迎来到天天文库
浏览记录
ID:9616337
大小:50.00 KB
页数:3页
时间:2018-05-04
《网络flash爬虫搜索方法比较研究》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库。
1、网络Flash爬虫搜索方法比较研究网络Flash爬虫搜索方法比较研究Flash资源以其生动、易于交互和制作简单等特点越来越受到人们的追捧。但是随着网络技术的快速发展,Flash资源在网络中的存在形式变得格外复杂,传统搜索引擎对网络Flash资源的获取不能到达令人满意的水平。作为搜索引擎的基础组成部分,网络爬虫的作用必须得到人们足够的重视,所以,改进网络爬虫的搜索方法越来越受到人们的重视。本文提出一种新的搜索方法,与传统爬虫的基本组成结构和搜索结果进行比较,验证新搜索方法的优势。 1网络Flash资源的优点及存在形式 网络Flash资源的优点 1)F
2、lash动画通常比较短。因为只占有有限的网络带宽,通常是几兆字节大小,Flash动画平均时间比起传统动画会更短一些。 2)Flash动画能够与观看者产生互动,满足观看者更多需求。观看者可以通过一定的操作来改变动画的播放进程,传统的动画并不具有这样的特性。 3)Flash动画的制作相对传统动画更简易。Flash动画制作爱好者能够相对比较容易地转变为制作者,他们只需要掌握一些与动画制作相关的软件就可以尝试制作Flash动画。Flash动画的制作需要在电脑上进行,Flash制作软件需要的条件比较简单,对硬件要求也比较低,所以不需要较大的投入。 4)Fla
3、sh动画占用空间较小。Flash动画可以使用矢量图形,所以使得文件所用空间较小;Flash动画完成后可以上传到网上,互联网用户可以欣赏和下载,能够以较快的速度在网络中传播,这样的本文由.LBED)、脚本、函数或对象将Flash资源嵌入网页,使用网页浏览器解析网页的HTTP标签和脚本,再用相应的形式显示、播放Flash动画。 第二种是通过网页中的锚文本链接。网页中用锚文本链接Flash动画很简单,可以自由下载。然而,通过Java-Script脚本展现的Flash动画资源作为一种丰富的存在形式,人们对它的研究还比较少。 2网络爬虫的定义和工作原理 网络
4、爬虫的定义网络爬虫是搜索引擎系统结构中搜索器的俗称,又叫网络蜘蛛,是一个自动搜集网页的系统程序。它的功能是昼夜不停地在互联网中爬行,收集信息,通常从首页开始,读取网页信息,找到网页中的其他链接地址,继而找到下一个网页,再在新的网页中找到新的链接地址。这样循环往复,目的是把该网站的所有网页抓取完毕。它负责搜集新信息,更新旧信息。 网络爬虫的工作原理当蜘蛛抓取网页,一般有两种信息收集策略。 1)以URL集合作为起始,沿着这些URL,以宽度优先、深度优先,循环往复地在L、JSP、ASPX等格式),有的网络爬虫能够处理文档(如Word、Excel、PPT等)
5、,甚至是数据库。爬虫将收集所有过滤字符格式的文档,从全文数据提取文本。每个文档都与全文文件有对应关系,包括标题、网页的URL、大小、类型和其他属性以及文本内容。 3网络爬虫面临的问题 截止2014年1月底,中国互联网上网页数量超过1500亿个,静态网页数占59.78%,动态网页数占40.22%,其中有大量页面是重复的,每个网页的字节数大约为50KB。关于网页数量和字节数的增长率,2013年较之2012年增幅分别为22.2%和19.0%。动态网页的存在,客户端、服务器端脚本语言的使用,使得指向相同页面的URL数量出现爆炸式增长。 以上特征使得网络爬虫
6、面临一定的困难:首先,海量的网页信息使得网络爬虫在有限的时间内只能爬行少量网页;其次,动态网页的一些技术原因使得网络爬虫无法爬行它们。仅在中国就存在如此之多的网页,假如考虑全世界的网页,那么,世界上是不存在能索引互联网上所有网页的搜索引擎的,即使可以抓取全部的页面,也没有充足的空间来容纳。 4网络爬虫搜索方法比较 网络爬虫的基本组成结构比较基本组成结构比较如图1、图2所示。网络爬虫的搜索结果比较本实验选取的是含有Flash资源比较多且比较权威的10个网站作为种子网站,传统爬行器搜索到的Flash个数与带JS(JavaScript)脚本文件搜索的爬行器
7、搜索到的Flash个数分别在最后两列里面,如表1所示。 实验结果分析本实验所用带JS脚本文件搜索的爬行器不但具备传统爬行器的功能,而且可以爬行网页中包含的JS脚本文件,将JS文件下载下来然后放到网页源文件的后面,再对整体进行Flash个数的统计。本实验分别用传统爬行器和带JS脚本文件搜索的爬行器对相同的10个网站进行爬行,爬行时间为24小时,在爬行了65626个页面之后,带JS脚本文件搜索的爬行器搜索到的Flash个数比传统爬行器搜索到的Flash个数多了4000多个。这说明JS脚本文件里面也包含了许多Flash资源,能够让网络爬虫找到更多的Flash
8、资源;同时,CSS(层叠样式表)文件也可能包含Flash资源,假如对网页中包含的
此文档下载收益归作者所有