- 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)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Web数据模型以及获取存储方法的研究
摘 要
Web上信息就像一条河流,从我们身边不停流过。已经有很多人认识到这些信息的价值,从而展开了对Web信息多方面的研究。本文阐述的内容就是基于这些研究,并希望能够对他人的相关工作带来方便。文章围绕的中心是Web数据的高效获取与存储,为此也专门研究了信息在Web上大量重复出现的现象和原因。 本文的主要内容包括:
有关Web信息状况的一些统计数据,结合一些Web的基本概念,这些数据让读者对Web宏观上能有一些具体的认识。这是理解本文其他部分的基础,
提出了同义主机的概念。在Web上有很多不同的域名代表着相同的主机,负责获取网页的系统如果不知道这种信息,就会重复的获取这台主机上的网页。这样导致网络资源和机器资源的浪费,并且对相应的Web服务器也造成额外负担,本文通过分析IP地址与域名的关系,总结出哪些主机名有同义关系,从而避免了网页的重复获取;另外,对于消除Web上存在的重复或相似的网页,本文提出了多种算法,一一进行评测,并选择最好的用于实际的网页消重中。
本文还具体的讨论了Web数据获取系统的设计目标,并给出了计算系统效率的方法。然后参照这些设计目标,比较了两种具体的收集系统结构。
同时,论文还基于Web InfoMall的目标,给出了一种海量网页存储系统的设计方案以及实现的种种考虑。
关键词:Web,网页搜集系统,同义主机,重复网页,网上信息博物馆
Abstract
Web is like a river of information, flowing by us endlessly. Now people began to appreciate its value, and research it. This thesis is based on such researches. It focuses how to collect mass web pages and how to store them, as well as some characteristics of Web involving getting and storing data. The following issues are addressed:
Some statistic information and basic concepts about Web. They will be useful for readers in understanding following sections.
It is a phenomena that many physical hosts (servers) have more than one names representing them on the web. If a Web crawler is not aware of such information, the pages on the same host will be retrieved multiple times. As a result, crawlers’ working is wasted, more bandwidth is consumed, and we can even overload the web servers. This thesis analyzes the relation between IP addresses and domain names and the result gives a crawler indication which host names actually represent the same host, so crawling the same page multiple times can be avoided. To get rid of replica or similar pages obtained from the Web, this thesis proposes a few methods, and they are evaluated carefully.
Web data retrieving system, so called crawler is discussed in more detail. Some basic design guidelines and performance metrics is presented. We compare two structures of crawler according these guidelines.
At the end of this thesis, Web Infomall, a re
您可能关注的文档
- The City of Houston’s Mobile Ambient Air Monitoring Lab 休斯敦移动的空气的环境监测实验室的城市.ppt
- TL494正弦波逆变电源的设计2可编辑.doc
- TL494中文的资料.doc
- TinyOS操作系统开发技术及实践第3章 TinyOS的体系结构.ppt
- TOPSwitch单端反激式开关电源的设计.doc
- TPM计划保全看板悬挂的资料课件.ppt
- TPM管理培训的资料课件.ppt
- TPM管理常用的技巧.ppt
- TOC基本课程的讲义课件.ppt
- TJ系列江苏省的资料表格.doc
- WEB国际英语2010校园招聘宣讲会的的策划.ppt
- Web数据集成中企业实体踪迹识别关键问题的研究.ppt
- WG3 SHORTPreliminary Study of Bends in Rectangular Waveguide在矩形波导弯曲WG3 shortpreliminary的研究.ppt
- What Research Tells Us About Job Accommodations的研究告诉我们关于作业的住宿.ppt
- WI05 塑料制品业的环境管理的体系审核作业指导书.doc
- V讯网车型培训的资料 .ppt
- Windows主机操作系统加固规范V01.doc
- WH公司绩效薪酬的体系的设计的方案.doc
- Wisconsin Focus on Energy Program Update Central States 威斯康星州的重点能源的项目更新中部各州.ppt
- WK地产置业顾问培训的体系.ppt
最近下载
- 教师基本能力—阅读理解能力.pptx VIP
- 茶艺师岗位试题及答案.docx
- (正式版)B-T 176-2017 水泥化学分析方法.docx VIP
- 鱼菜共生商业计划书.docx VIP
- 剑桥少儿英语二级上unit1.ppt VIP
- Module 3 Unit 1 They're all my favourite festivals!(课件)-五年级英语同步备课(外研版一起).pptx VIP
- 教师资格考试基本能力第一节阅读理解能力演示教学.ppt VIP
- 2025第三届全国技能大赛海南省选拔赛-餐厅服务(国赛精选)项目技术文件.pdf VIP
- 麻醉药品和精神药品培训试题及答案.docx VIP
- 导视标识标牌系统制作安装方案(全面标准版).pdf VIP
文档评论(0)