教学课件2：数据采集基础.pptVIP

下载本文档

9
0
约小于1千字
约 49页
2022-07-14 发布于辽宁
举报
版权申诉

教学课件2：数据采集基础.ppt

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

正版课件内容可修改;HTTP基本原理;1、常见的数据来源和格式有哪些？ 2、数据采集的常见方法有哪些？;1;1、网络爬虫的定义网络爬虫（ Crawler，又被称为网页蜘蛛--Spider、网络机器人），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。网络爬虫经典的应用案例，如Google、百度、Bing（必应）。 ;网络爬虫的概念及原理;网络爬虫的概念及原理;网络爬虫的概念及原理;网络爬虫的概念;2;网络爬虫的分类;网络爬虫的分类;网络爬虫的分类;网络爬虫的分类;网络爬虫的分类;3;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;网页相关概念;4;网络爬虫策略;网络爬虫策略;网络爬虫策略;网络爬虫策略;网络爬虫策略;网络爬虫策略;宽度优先VS深度优先广度优先遍历是以层为顺序，将某一层上的所有节点都搜索到了之后才向下一层搜索；深度优先遍历是将某一条枝干上的所有节点都搜索到了之后，才转向搜索另一条枝干上的所有节点。 ;抓取URL时，给待遍历的网页赋予一定的优先级，根据这种优先级进行遍历，这种方法称为带偏好的遍历。优先级的依据判断网页的重要性的因素很多，主要有链接的欢迎度、链接的重要度和平均链接深度等因素：链接欢迎度。主要是由反向链接（ backlinks，即指向当前 URL 的链接）的数量和质量决定的，定义为IB(P)。链接的重要度。一个关于 URL字符串的函数，考察字符串本身（如.com，.cc ），定义为IL(P)。平均链接深度。根据宽度优先的原则计算出全站的平均链接深度，然后认为距离种子站点越近的重要性越高，定义为 ID(P)。 ;最佳优先爬虫实现最佳优先爬虫最简单的方式可以使用优先级队列来实现 TODO表，并且把每个 URL的重要性作为队列元素的优先级。这样，每次选出来扩展的 URL就是具有最高重要性的网页。示例：若图节点的重要性为DBCAEFIGH，则遍历的过程如表所示： ;小结：;