Let STACK - 北京大学网络与信息系统研究所.ppt

下载文档 降价啦

2
0
约小于1千字
约 63页
2018-06-01 发布于浙江
举报
版权申诉
保障服务

Let STACK - 北京大学网络与信息系统研究所.ppt

1、本文档共63页，可阅读全部内容。
2、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。
3、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。
4、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)。

Let STACK - 北京大学网络与信息系统研究所

Crawling the Web;本次课大纲;Build a Crawler!;;;GET Method in HTTP;怎样搜集?;系统框图;Core Algorithms I;Review of Algorithm I;A More Complete Correct Algorithm;还存在什么问题呢？;还存在什么问题呢？;URL不唯一性;对URL进行规格化;Robot exclusion;Server traps;Web Crawler need…;High PerformanceWeb Crawler;系统框图;大规模Web Crawler的一种结构图;大规模Web Crawler的一种结构图;DNS resolver;DNS解析;并发的地址解析client;缓存服务器（DNS Caching Server）;预取client;;大规模爬取器的一种结构图;Page fetching ;多个并发的抓取;多线程方法;多线程：问题;异步非阻塞socket和事件处理：单进程;大规模爬取器的一种结构图;消除已经访问过的URL;IsURLVisisted: B-tree实现;IsURLVisisted: Bloom filter;Simple Example; ;避免在重复的网页上再提取链接;Distributed Crawling;分布式计算;任务划分问题;*;*;We need…;*;*;*;Incremental Crawling;问题;State-of-art Crawling Tech;Sitemaps: Above and Beyond the Crawl of DutySitemaps! Sitemaps!;Dream of the Perfect Crawl;Sitemaps;UniqueCoverage vs Domain Size;Conclusion and Future Work;;Challenges;本次课小结;下次课内容;Thank You!