原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
第二讲 网络爬行器;网络爬行器的基本功能要求;如何抓取网页;抓取网页程序示例;超链接特征与字符串处理;提取超链接;网页去重;URL列表的散列逻辑结构;URL散列函数;URL散列表物理存储结构设计;网页去重代码示例;Trie树;爬行策略;宽度优先爬行代码示例;如何控制爬行的层数;层次控制代码示例;网页正文提取;标题、关键词及摘要正文的提取;其他正文的提取;提取的正文写入磁盘文件;利用多线程抓取网页;线程间的互斥问题;网页正文的其他问题;网站服务器与网络爬行器的交互;Robots.txt文件;Robots.txt文件（续）;爬行周期的确定;搜索引擎中的无效链接问题;分布式爬行系统
文档评论（0）