网络Flash爬虫搜索方法比较研究.docVIP

　　网络Flash爬虫搜索方法比较研究 网络Flash爬虫搜索方法比较研究 Flash资源以其生动、易于交互和制作简单等特点越来越受到人们的追捧。但是随着网络技术的快速发展，Flash资源在网络中的存在形式变得格外复杂，传统搜索引擎对网络Flash资源的获取不能到达令人满意的水平。作为搜索引擎的基础组成部分，网络爬虫的作用必须得到人们足够的重视，所以，改进网络爬虫的搜索方法越来越受到人们的重视。本文提出一种新的搜索方法，与传统爬虫的基本组成结构和搜索结果进行比较，验证新搜索方法的优势。 　　1 网络Flash资源的优点及存在形式 　　网络Flash资源的优点 　　1）Flash动画通常比较短。因为只占有有限的网络带宽，通常是几兆字节大小，Flash动画平均时间比起传统动画会更短一些。 　　2）Flash动画能够与观看者产生互动，满足观看者更多需求。观看者可以通过一定的操作来改变动画的播放进程，传统的动画并不具有这样的特性。 　　3）Flash动画的制作相对传统动画更简易。Flash动画制作爱好者能够相对比较容易地转变为制作者，他们只需要掌握一些与动画制作相关的软件就可以尝试制作Flash动画。Flash动画的制作需要在电脑上进行，Flash制作软件需要的条件比较简单，对硬件要求也比较低，所以不需要较大的投入。 　　4）Flash动画占用空间较小。Flash动画可以使用矢量图形，所以使得文件所用空间较小；Flash动画完成后可以上传到网上，互联网用户可以欣赏和下载，能够以较快的速度在网络中传播，这样的本文由.LBED）、脚本、函数或对象将Flash资源嵌入网页，使用网页浏览器解析网页的HTTP标签和脚本，再用相应的形式显示、播放Flash动画。 　　第二种是通过网页中的锚文本链接。网页中用锚文本链接Flash动画很简单，可以自由下载。然而，通过Java-Script脚本展现的Flash动画资源作为一种丰富的存在形式，人们对它的研究还比较少。 　　2 网络爬虫的定义和工作原理 　　网络爬虫的定义 网络爬虫是搜索引擎系统结构中搜索器的俗称，又叫网络蜘蛛，是一个自动搜集网页的系统程序。它的功能是昼夜不停地在互联网中爬行，收集信息，通常从首页开始，读取网页信息，找到网页中的其他链接地址，继而找到下一个网页，再在新的网页中找到新的链接地址。这样循环往复，目的是把该网站的所有网页抓取完毕。它负责搜集新信息，更新旧信息。 　　网络爬虫的工作原理 当蜘蛛抓取网页，一般有两种信息收集策略。 　　1）以URL集合作为起始，沿着这些URL，以宽度优先、深度优先，循环往复地在L、JSP、ASPX等格式），有的网络爬虫能够处理文档（如Word、Excel、PPT等），甚至是数据库。爬虫将收集所有过滤字符格式的文档，从全文数据提取文本。每个文档都与全文文件有对应关系，包括标题、网页的URL、大小、类型和其他属性以及文本内容。 　　3 网络爬虫面临的问题 　　截止2014年1月底，中国互联网上网页数量超过1500亿个，静态网页数占59.78%，动态网页数占40.22%，其中有大量页面是重复的，每个网页的字节数大约为50 KB。关于网页数量和字节数的增长率，2013年较之2012年增幅分别为22.2%和19.0%。动态网页的存在，客户端、服务器端脚本语言的使用，使得指向相同页面的URL数量出现爆炸式增长。 　　以上特征使得网络爬虫面临一定的困难：首先，海量的网页信息使得网络爬虫在有限的时间内只能爬行少量网页；其次，动态网页的一些技术原因使得网络爬虫无法爬行它们。仅在中国就存在如此之多的网页，假如考虑全世界的网页，那么，世界上是不存在能索引互联网上所有网页的搜索引擎的，即使可以抓取全部的页面，也没有充足的空间来容纳。 　　4 网络爬虫搜索方法比较 　　网络爬虫的基本组成结构比较 基本组成结构比较如图1、图2所示。 网络爬虫的搜索结果比较 本实验选取的是含有Flash资源比较多且比较权威的10个网站作为种子网站，传统爬行器搜索到的Flash个数与带JS（JavaScript）脚本文件搜索的爬行器搜索到的Flash个数分别在最后两列里面，如表1所示。 　　实验结果分析 本实验所用带JS脚本文件搜索的爬行器不但具备传统爬行器的功能，而且可以爬行网页中包含的JS脚本文件，将JS文件下载下来然后放到网页源文件的后面，再对整体进行Flash个数的统计。本实验分别用传统爬行器和带JS脚本文件搜索的爬行器对相同的10个网站进行爬行，爬行时间为24小时，在爬行了65 626个页面之后，带JS脚本文件搜索的爬行器搜索到的Flash个数比传统爬行器搜索到的Flash个数多了4000多个。这说明JS脚本文件里面也包含了许多Flash资源，能够让网络爬虫