網(wǎng)絡(luò)爬蟲(chóng), 是一種可以根據(jù)網(wǎng)頁(yè)之間的鏈接關(guān)系, 在Internet中自動(dòng)抓取網(wǎng)頁(yè)的程序, 它可以有條理的, 自動(dòng)的遍歷萬(wàn)維網(wǎng)信息空間。它通過(guò)HTTP協(xié)議來(lái)訪問(wèn)網(wǎng)頁(yè), 同時(shí), 通過(guò)跟蹤鏈接來(lái)遍歷整個(gè)Web空間。本系統(tǒng)的網(wǎng)絡(luò)爬蟲(chóng), 基于Heritrix實(shí)現(xiàn)。Heritrix是一個(gè)由Java開(kāi)發(fā)的、開(kāi)源的Web網(wǎng)絡(luò)爬蟲(chóng)框架。
本系統(tǒng)的網(wǎng)絡(luò)爬蟲(chóng)為要包括:網(wǎng)頁(yè)分類(lèi)器 (根據(jù)主題策略將網(wǎng)頁(yè)分為主題相關(guān)和主題不相關(guān)兩類(lèi)) 、信息提取器 (以主題相關(guān)網(wǎng)頁(yè)作為提取對(duì)象, 提取文本信息和鏈接信息) 和網(wǎng)頁(yè)抓取器 (抓取“篩選”過(guò)的網(wǎng)頁(yè)) 。
本文地址：http://www.91business.cn//article/22843.html
