原创力文档- 1、本文档共19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)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、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。
- 7、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。
- 8、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
中南民族大学专业硕士学位论文
摘要
搜索引擎是一种不可缺少的信息捕获工具，为互联网用户提供搜索服务，极大提高了用户从互联网中获取信息的速度。但是，在“大数据”时代带来的信息量和信息资源多元化的冲击下，搜索引擎在捕获信息的速度和主题相关度等方面遇到了新的挑战。因此，下一代搜索引擎是目前研究的一个热点。
针对搜索引擎后台网络爬虫从互联网中抓取到信息资源时，队列对URL字符串处理能力的不足，本文设计并实现一种快速处理存取数据的散列算法，它能够在真实值和键值之间建立一一对应的关系，快速把进入到爬虫队列中的字符串数据转化为一种线性表结构，能够改善队列处理字符串的能力，提高爬虫的性能。并搭建了搜索引擎的网络环境，选择Heritrix爬虫作为网络爬虫框架，对在爬虫中加入散列算法进行测试。实验结果证明，在加入散列算法之后的网络爬虫，搜索效率提高，抓取速度得到明显的提升。
针对搜索引擎反馈信息主题相关度低下的问题，从网络爬虫入手，提高网络爬虫捕获到页面的主题相关度。考虑向爬虫中加入具备相关度判别的遗传算法，将特定主题类型的内容抓取下来，与主题无关的内容忽略，便可以提高查找的准确率。策略的基本思想是结合遗传算法和基于内容的空间向量模型，以遗传算法的全局查优特点保证爬行的整体性，以网页之间的相互关系来确定网页的重要程度，以空间向量模型来确定与主题的相关度。对网络爬虫进行改造后，采用固定关键字对其测试，与改善之前进行比较，抓取到的总页面数和与主题相关的页面数都有提升，而且主题页面所占比例提高了约30%，提高了系统查找信息的准确率。
关键词:搜索引擎;爬虫队列;散列算法;遗传算法;主题相关度
I
智能信息检索系统的设计与实现
ABSTRACT
Searchengineisindispensabletoolwhichcapturesinformation,andprovidessearchserviceforInternetusers.ThishelptheuserobtaininformationfromtheInternetquickly.Butundertheimpactofbigdatawhichbringtheamountofinformationandinformationresources’diversification,searchengineencountered
newchallengeonthespeedandthemerelevantaspects.Asaresult,thenextgenerationofsearchengineiscurrentlyahotissue.
Whensearchengine’scrawlerobtainsinformationintheInternetresources,the
capacityonqueue’shandlingforURLstringisinsufficient.Thisarticledesignsandimplementsahashalgorithmtohandledataquickly.Itcanbebuilttoone-to-onerelationshipbetweenrealandkeys,andstringdatainthespider’squeueisconverted
intoastructureoflineartablequickly.Theabilityofdealingwithstringqueueandtheperformanceofthecrawlercanbeimproved.ThenbuildasearchenginenetworkenvironmentandchooseHeritrixaswebcrawlerframe,andjointhecrawlerhashalgorithminfortesting.Theexperimentalresultsshowthatafterjoininghashalgorithmofwebcrawler,search’sefficiencyandspeedoffetchinggetobvious
improvement.
Forapointthatsearchengineperfo
文档评论（0）