(Web信息采集系统的设计与实现2.docVIP

基于主题的Web信息采集系统的设计与实现 李盛韬，赵章界，余智华 （中国科学院计算技术研究所 软件研究室，北京 100080） 摘 要：基于主题的Web信息采集是信息检索领域内一个新兴而有实用价值的方向，也是信息处理技术中的一个研究热点。本文分析了主题Web信息采集的基本问题，提出了难点以及相关的解决方案，并在此基础上设计实现了“天达”主题Web信息采集系统。 关键词： 信息采集；信息检索；信息处理；主题 Email： lishengtao@ ; zhaozj@ ; yzh@ 中图分类号：TP391 文献表示码：A 基金资助：中科院计算所领域前沿青年基金资助(资助8 )2000年7月，21亿[1][2]，这使得页面的失效率非常地巨大。Selberg和Etzioni在1995年的调查发现，通过Internet中最常用的一些搜索引擎查询到的结果URL中，14.9%的目标页面已经失效了[5]。一个好的缓解办法就是采用主题采集，通过减小采集页面的数量，从而减小刷新一遍的时间，进而减小已采集页面的失效率。 传统的信息采集需要采集的页面数量十分巨大，这需要消耗非常多的系统资源和网络资源，而对这些资源的消耗并没有换来采集到页面的较高利用率，事实上，它们中有相当大的一部分利用率很低。基于主题的采集有效地提高了采集到页面的利用效率。 为此，我们开展了主题Web信息采集技