最新★新闻爬虫系统的设计与实现毕业论文.doc
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《最新★新闻爬虫系统的设计与实现毕业论文.doc》由会员分享,可在线阅读,更多相关《最新★新闻爬虫系统的设计与实现毕业论文.doc(100页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-date新闻爬虫系统的设计与实现毕业论文摘要摘要随着网络在世界范围的飞速发展,互联网作为最具潜力与活力的媒体已经被公认是继报纸,广播,电视之后的“第四媒体”,成为反映社会新闻热点的重要载体。为了及时了解网络新闻热点,相关机构引入了新闻热点分析系统。本文设计的新闻爬虫系统是新闻热点分析系统的数据源,负责新闻信息的采集。本文借助于爬虫领域的相关技术与工具,结合新闻热点分析系统的需
2、求从原理或工作流程上详细论述了爬虫系统中核心模块的具体实现。本文所描述的新闻爬虫系统其数据来源主要是新浪新闻,首先利用爬虫工具将新闻数据获取到本地数据库中,然后将新闻信息以及新闻分析的结果将在前台网页中进行可视化输出。本文主要进行了以下几个方面的工作: 1)利用Java语言结合HTTPClient开源工具编写了一个针对新浪新闻的可扩展的网络爬虫,该爬虫程序能够按照广度优先的爬行策略对新闻数据(包括图片信息)进行全面的定向抓取以及周期性的增量抓取;2)采用HTMLParser对获取到的新闻信息进行元数据抽取,将新闻的编号、标题、内容、发布方、发布时间等元数据以及新闻图片等元数据解析出来并存入SQ
3、L Server数据库中;3)前端界面利用开源AJAX框架ExtJS结合Servlet进行实现,兼顾用户交互方式的多样性以及系统的跨浏览器兼容性。通过使用该新闻爬取系统,用户能够实时的更新新闻信息,及时、全面、准确地掌握新闻热点动态,提高对于重大突发事件的处理能力,对于更及时,全面的了解各地的实时信息具有重要意义。关键词:新闻热点,网络爬虫,元数据抽取,可视化ABSTRACTWith the rapid development of World Wide Web(WWW),it is widelyaccepted that the internet,called the Fourth Medi
4、a,will be the most potentialand energetic media after newspaper,radio and television as an important carrier of the hot society news.In order to know the internet hot news in time,the related organizations introduced the hot news and analysis system. The news spider system is in the information coll
5、ection layer and is the fundamental part of hot news analysis system.It is responsible for the information collection . In the help of related technologies and tools and with the needs of the system itself ,the paper discuss the concrete realization of the code module in detail .The data of the news
6、 spider system comes from news of sina . First using web crawler to get data from news to local database , finally visualize the public opinion information on the front page. This article mainly has carried on the following several aspects work: 1) Using Java and HTTPClient developed a scalable web
7、crawler which focus on DISCUZ BBS. Besides, this crawler can conduct a comprehensive orientation of fetching and periodic increment of fetching from BBS data (including the BBS post information and all its replies) under breadth-first strategy. 2)Using HTMLParser to extract meta-data from the BBS in
8、formation, parsed and stored the meta-data, such as number, title, content, poster, posting time and the corresponding reply in a SQL Server database.3) front-end interface combined with the use of open source AJAX framework ExtJS Servlet be achieved, taking into account the diversity of user intera
9、ction and system cross-browser compatibility. By using this news crawling system, users can real-time news and information updated, timely, comprehensive and accurate grasp of hot news developments, improve the handling capacity of major emergencies, for more timely and comprehensive understanding o
10、f an important real-time information across significance.Key Words: Hot news,Web crawler,Metadata extraction,Visualization目录1 绪论11.1 开发背景及目的11.2 国内外相关研究现状31.3 论文主要内容和章节安排42 系统开发知识准备62.2 J2EE技术简介72.3 SQL Server 2005简介82.4 ExtJS简介102.5开源工具简介122.5本章小结133 系统需求分析143.1 系统可行性研究143.2 用户对象分析153.3 用户用例分析163.4
11、 功能需求分析203.5 性能需求分析213.6 本章小结214 系统总体设计234.1 数据库结构设计234.2 系统功能模块设计254.3 本章小结315 系统详细设计与实现325.1 数据获取模块325.2 数据可视化模块365.3 本章小结436 系统测试与发布446.1 软件测试的目标和方法446.2 测试用例456.3 本章小结497 总结50参考文献528 致谢词53附录1 英文原文54附录2 中文译文64-1 绪论 本章主要阐明了该课题的研究背景及其研究意义,简要说明了国内外对于爬虫系统的研究现状,并介绍了本论文的主要内容组成以及论文的组织结构。1.1 开发背景及目的随着互联网
12、技术的发展与应用的普及,网络作为信息的载体,已经成为社会大众参与社会生活的一种重要信息渠道。由于互联网是开放的,每个人都可以在网络上发表信息,内容涉及各个方面。小到心情日志,大到国家大事。互联网已成为思想文化信息的集散地,并具有传统媒体无法相比的优势:便捷性,虚拟性,互动性,多元性。网络新闻热点通常形成迅速,多是人们对于日常生活中的各种问题发表的各种意见,评论,态度,情绪等,随着事件的发展而变化,是反映社会热点的重要载体之一。网络爬虫是一种按照一定上网规则,自动的抓取万维网信息的程序或脚本。网络检索功能起于互联网内容爆炸性发展所带来的对内容检索的需求。搜素引擎不断发展,人们的需求也不断提高,网
13、络信息搜索已经成为人们每天都有进行的内容。如何使搜索引擎能够时刻满足人们的需求?最初的检索功能通过索引站的方式实现,从而有了网络机器人。本课题来源于新闻爬虫系统项目的建设,旨在为相关机构提供及时的网络信息服务。这些服务与现有的搜索引擎提供的服务不同,其重要特征主要体现在:及时性,专用性,人性化。1、 及时性新闻爬虫系统通过爬虫技术自动爬取新闻信息,定期对相应类型的新闻的地址进行扫描,如若该新闻并未被爬取过则对其进行自动爬取。让系统的工作人员可以静观事态的发展。2、 专用性 新闻爬虫系统的专用性体现在数据采集,数据分析,数据展现等几个环节上。在数据采集方面系统采用手动爬取与增量爬取相结合的方式。
14、有针对性的采集需要的几个类别的新闻信息,并对信息进行抽取,去噪,结构化处理,为后续专用分析创造条件。在数据分析与数据展示方面,系统通过对得到的信息进行深入的分析,将分析结果进行多维度的展现。3、 人性化 新闻爬虫系统的人性化主要体现在数据结果的展示上。 用户可以随时查看任意一个时间的新闻分析结果,而且该系统由于是基于多线程的程序完成任务的效率高。所以不管实在界面上还是在效率上都非常的人性化。 新闻爬虫系统项目建设意义重大。一方面,新闻爬虫系统提供了大量的分析素材,方便全面的了解大众网络新闻的热点。另一方面,原来的新闻信息收集工作主要依靠人工完成,工作量巨大,覆盖面小,不仅费时费力而且还不免出现
15、人为疏漏的情况,这种局面亟待通过技术手段提高工作效率。 本文完成的是新闻爬虫系统的设计与实现,该爬虫系统为新闻分析系统提供数据源,完成新闻信息的搜集。因此可以说爬虫系统是整个分析系统的基础,并且爬虫系统输出结果的好坏直接影响着系统结果的展现。 1.2 国内外相关研究现状1.2.1 网络爬虫从搜索对象上来分类,主流的的爬虫技术包括以下两种:第一种是基于链接分析的搜索。上世纪九十年代,国外的搜索引擎开发者已经开始以社会网络工作为模型,对万维网进行模拟。专家们通过社会间人与人的关系网,设计研发出了页面间的超链接关系网络。同时他们还惊奇的发现,相似度最高的在传统引文方面。这样通过对照就可以分析得出结论
16、,从关系网络的角度入手,就能将互联网上大量的网页进行分类。早在2002年,欧美地区便出现了这种最原始的基于链接的搜索系统。第二种是基于内容分析的搜索。相对于基于链接分析的搜索方式,这是搜索技术的一个突破性进展,他们采取了一种新的思维方式,建立一个针对主题的词库。当用户在专业领域进行搜索时,可以将词库和爬虫结合起来进行检索。由于搜索角度的转变,这种新的技术逐渐开始被人们所关注。在上世纪九十年代,Fish Search System系统作为首个基于内容分析的搜索系统被开发出来。后来在1998年和1999年相继出现了Shark Search System和聚焦爬虫(Focused Crawler)1
17、。 时至今日,聚焦爬虫技术取得了长足的发展和进步,国外典型的系统包括CORA、IBM Focused Crawler等。CORA 是由美国卡内基梅隆大学的A.K.McCallum和M.Nigam等人于1999年针对计算机科学设计的一个主题型搜索引擎。CORA采用机械认知的方式,其主要针对的对象是与计算机主题相关联的内容,通过隐性马尔夫的原理对用户需要的内容进行分类。虽然CORA分析地址和主题的能力还很不足,同时也不具备对网页进行分析的能力,但是这仍然无法抹杀它在自动搜集资源方面取得的重大成就。 S.Chakrabarti在本世纪初提出了IBM Focused Crawler,这是一种全新的爬行
18、系统。从现在的技术来看,当时的IBM Focused Crawler采取了全新双模块系统,即分类器和选择器。分类器主要用于计算相关度,而选择器用来确定主要页面。S.Chakrabarti在随后的开发过程中对整个系统进行了进一步的完善,使得该系统在准确度和相关度方面有了大幅度的提升2。美国人Diligenti采取建立上下文图的方式设计出了聚焦爬虫,他们将其命名为Context Graphs Focused Crawler。这种通过学习网页引用关系的方法后来被证明效率并不高,但在当时也是重要的创新手段。系统会利用反向链接服务找到指向该页面的网页,在这两层网页之间建立引用关系,由此建立聚焦爬虫的爬行
19、路径。通过用户搜索参数的改变,每一个页面都会建立一个对应的引用关系,最后将他们进行合并。在这个过程中,分类器会确定他们的层级关系,确定之后,页面的链接便会加入队列,由此提取到所有需要进行抓取的网页3。对于基于内容分析的搜索,国人也做出了很大贡献。张福炎教授设计出了IDGS(Internet Data Gather System)系统,可以对万维网上的中英文内容进行搜索,大大的填补了中文方面的空白。IDGS 能够在万维网上对信息进行自动查询,采用向量空间模型技术对内容进行检索,同时利用权重评价技术来进行统计。在该系统中由模式匹配模块计算相关度,采取漫游模型来进行后期的持续检索。该系统的最大优点是
20、准确度高,其代价是牺牲了覆盖度,搜索的深度非常有限4。1.3 论文主要内容和章节安排 本文对于新闻爬虫系统的设计与实现过程作出了详细介绍,该系统的数据来源主要是网络网页新闻。本系统的运行流程大致如下:首先利用爬虫工具将新闻数据获取到本地数据库中,之后对其进行数据分析,最后将新闻内容信息以及分析结果在前台网页中进行可视化输出。第一章 为绪论,主要阐明了该课题的研究背景及其研究意义,简要说明了国内外对于爬虫系统的研究现状,并介绍了本论文的主要内容组成以及论文的组织结构。第二章 为系统开发知识准备,简要介绍了进行本次新闻爬虫系统开发所需要的相关理论和技术,主要包括爬虫技术的知识理论和J2EE技术、S
21、QL Server 2005数据库管理系统以及ExtJS框架等相关知识,并对系统开发过程中用到的一些关键开源工具做出了简要说明。第三章 对本系统进行了需求分析,首先从技术可行性、操作可行性和经济可行性三个方面对系统可行性进行了评估,随后对系统的用户对象和用户用况从管理员用户和普通用户两个角度进行了详细的分析,并分别总结出了相应的功能需求,最后对系统的性能需求进行了简要分析。第四章 对本系统进行了总体设计,包括数据库结构的总体设计以及系统功能模块的总体设计,并对数据获取功能模块的子模块以及数据可视化功能模块的功能结构做出了明确的划分,为系统详细设计与实现阶段的工作备好条件。第五章 对本系统的详细
22、设计和实现过程做出了说明,进行了功能模块的详细设计并完成了系统的开发实现工作,对于数据获取模块以及数据可视化模块进行了详细的设计实现和功能说明。第六章 进行了系统测试和发布工作,首先从理论上对软件测试的目标和方法进行了简要介绍,之后设计了多个测试用例对系统的相关功能模块进行了详细的测试并对测试结果进行了分析,最后将本系统通过TOMCAT部署到了PC服务器上,完成了系统发布的过程。 第七章 对于本次系统设计开发过程进行了归纳和总结,阐述了本次系统开发的意义并分析了下一步需要进行的工作,最后对网络舆情分析系统的发展方向进行了展望。2 系统开发知识准备 本章简要介绍了进行本次新闻爬虫系统开发所需要的
23、相关理论和技术,这些关键技术的学习和掌握为接下来的系统分析及设计实现提供了坚实的理论基础。 2.1 网络爬虫的相关知识与理论 2.1.1 网络爬虫的定义 网络爬虫是一个自动提取网页的程序,它为搜索引擎从WEB上下载网页,是搜索引擎的重要组成部分。通用网络爬虫从一个或几个初始网页的URL开始,获得初始网页上的URL列表;在抓取网页的过程中不断从当前网页上抽取新的URL放入到待爬行队列,直到满足系统的停止条件。 2.1.2 页面搜索策略介绍 网页的爬取策略可分为深度优先,广度优先和最佳优先三种。深度优先在很多时候会导致爬虫的陷入问题,目前常见的是广度优先和最佳优先方法。 广度优先策略是指在爬取过程
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 最新 新闻 爬虫 系统 设计 实现 毕业论文
![提示](https://www.taowenge.com/images/bang_tan.gif)
限制150内