Web信息采集系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、隨著移動(dòng)終端的快速發(fā)展和普及，人們?cè)絹?lái)越習(xí)慣通過(guò)在移動(dòng)終端上安裝閱讀類(lèi)應(yīng)用軟件獲取感興趣的信息，與之伴隨的是平臺(tái)供應(yīng)商（也包括內(nèi)容提供商）必須構(gòu)建相應(yīng)的技術(shù)平臺(tái)來(lái)支撐這樣的業(yè)務(wù)模式。而這個(gè)平臺(tái)的內(nèi)容來(lái)源可通過(guò)兩種方式獲取。一種是手工編輯，另一種是通過(guò)程序自動(dòng)采集信息源的內(nèi)容。本文針對(duì)后者設(shè)計(jì)了一套Web信息采集的解決方案。
　　 論文首先介紹了課題的研究背景，研究現(xiàn)狀，以及信息抽取的相關(guān)技術(shù)和信息采集的工作原理，并對(duì)網(wǎng)頁(yè)結(jié)構(gòu)進(jìn)行

2、分析;接著，分析了系統(tǒng)的功能和面向的用戶，運(yùn)用用例圖和用例規(guī)約對(duì)系統(tǒng)進(jìn)行用例建模，分析了系統(tǒng)的非功能需求;然后，對(duì)系統(tǒng)進(jìn)行總體設(shè)計(jì)和數(shù)據(jù)庫(kù)設(shè)計(jì);再次，對(duì)系統(tǒng)進(jìn)行了詳細(xì)設(shè)計(jì)與實(shí)現(xiàn);最后，對(duì)系統(tǒng)進(jìn)行測(cè)試，驗(yàn)證了本方案的有效性。本文的主要工作如下:
　　 1.本文研究了如何在HTML文檔中快速定位目標(biāo)信息的方法，通過(guò)利用HTML標(biāo)簽和屬性及DOM的路徑表達(dá)式設(shè)計(jì)了信息的抽取規(guī)則，采用可視化界面和簡(jiǎn)單的人機(jī)交互來(lái)自動(dòng)生成信息的抽取規(guī)則，

3、并在此基礎(chǔ)上設(shè)計(jì)了一種實(shí)用的正文去噪解決方案。
　　 2.本課題包括采集配置子系統(tǒng)和采集子系統(tǒng)兩部分組成。采集配置子系統(tǒng)可將配置的采集任務(wù)通過(guò)Socket機(jī)制傳遞給采集子系統(tǒng)，從而控制采集任務(wù)的開(kāi)啟、停止操作，使得用戶不必關(guān)心采集運(yùn)行過(guò)程即可得到采集結(jié)果。
　　 3.采集子系統(tǒng)根據(jù)用戶已配置的采集任務(wù)，運(yùn)用多線程技術(shù)、數(shù)據(jù)庫(kù)連接池技術(shù)、動(dòng)態(tài)采集策略、多頁(yè)面合并技術(shù)，定時(shí)對(duì)這些網(wǎng)站進(jìn)行信息采集、抽取、去噪、去重等，實(shí)現(xiàn)對(duì)相