(开源搜索引擎的比较.docxVIP

开源搜索引擎的比较?1．?Nutch?简介：?Nutch是一个用java实现的基于Lucene的开源搜索引擎框架，主要包括爬虫和查询两部分组成。Nutch所使用的数据文件主要有以下三种：1）是webDb，保存网页链接结构信息，只在爬虫工作中使用。2）是segment，存储网页内容及其索引，以产生的时间来命名。segment文件内容包括CrawlDatum、Content、ParseData、ParseText四个部分，其中CrawlDatum保存抓取的基本信息，content保存html脚本，ParseData和ParseText这两个部分是对原内容的解析结果。3）是index，即索引文件，它把各个segment的信息进行了整合。爬虫的搜索策略是采用广度优先方式抓取网页，且只获取并保存可索引的内容。?Nutch0.7需要java1.4以上的版本，nutch1.0需要java1.6。?特点：?1、?遵循robots.txt，当爬虫访问一个站点时，会首先检查该站点根目录下是否?存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问?的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。?2、采用基于Hadoop的分布式处理模型，支持分布式的实现。?3、Nutch可以修剪内容，或者对内容格式进行转换。?4、?Nutch使用插件机制，可以很好的被用户定制和集成。?5、?Nutch采用了多线程技术。?6、?将爬取和建索引整合在了一起，爬取内容的存储方式是其自己定义的segment，不便于对爬取的内容进行再次处理，需要进行一定的修改。?7、?因为加入了对页面分析，建索引等功能其效率与heritrix相比要相对较低。? 全国注册建筑师、建造师考试 备考资料 历年真题 考试心得 模拟试题 2．?Heritrix?简介：?Heritrix是一个用Java实现的基于整个web的可扩展的开源爬虫框架。Heritrix主要由三大部件：范围部件，边界部件，处理器链组成。范围部件主要按照规则决定将哪个URI入队；边界部件跟踪哪个预定的URI将被收集，和已经被收集的URI，选择下一个?URI，剔除已经处理过的URI；处理器链包含若干处理器获取URI，分析结果，将它们传回给边界部件。采用广度优先算法进行爬取。?heritrix用来获取完整的、精确的、站点内容的深度复制。包括获取图像以及其他非文本内容。抓取并存储相关的内容。对内容来者不拒，不对页面进行内容上的修改。重新爬行对相同的URL不针对先前的进行替换。??特点：?1、?各个部件都具有较高的可扩展的，通过对各个部件的修改可以实现自己的抓取逻辑。?2、?可以进行多种的配置，包括可设置输出日志，归档文件和临时文件的位置；可设置下载的最大字节，最大数量的下载文档，和最大的下载时间；可设置工作线程数量；可设置所利用的带宽的上界；可在设置之后一定时间重新选择；包含一些可设置的过滤机制，表达方式，URI路径深度选择等等。?3、?采用多线程技术。?4、?保存的内容是原始的内容，采用镜像方式存储，即按照斜杠所划分出的层次结构进行存储，同时也会爬取图片等信息。?5、?同样也遵守robots.txt规范。?6、?在硬件和系统失败时，恢复能力很差。? 3．?WebSPHINX?简介：?WebSPHINX是一个Java类包和Web爬虫的交互式开发环境。WebSPHINX由两部分组成：爬虫工作平台和WebSPHINX类包。爬虫工作台提供接口实现对爬虫的配置；类包则提供对爬虫进行扩展需要的一些支持。?其工作原理为从一个基点网站出发，遍历其中的所有有用信息，同时抽去其中的链接信息放入队列，以待有空闲蠕虫（worm）时，从队列中读取，发出request?请求，继续进行信息抽取和链接入队列的工作。?特点：?1、?保存网页的原始内容。?2、?采用多线程技术。?3、?采用广度优先遍历算法进行爬取。?4、?支持HTML解析，URL过滤，页面配置，模式匹配等等。?5、适用于爬取小规模的网页，例如爬取单一的个人站点。??4．?Weblech?简介：?WebLech是一个用Java实现的功能强大的Web站点下载与镜像工具。它支持按功能需求来下载web站点并能够尽可能模仿标准Web浏览器的行为。WebLech有一个功能控制台并采用多线程操作。?特点：?1、?支持多线程技术。?2、可维持网页的链接信息，可配置性较强，配置较为灵活，可设置需获取的网页文件的类型、起始地址、抓取策略等14?项内容。?3、?采用广度优先遍历算法爬取网页。? 4、保存网页的原始内容。?5．?Jspider?简介：?JSpider是一个完全用Java实现的可配置和定制的Web?Spider引擎.你可以利用它来检查网站的错误(内在