1、 毕业设计（论文）说明书毕业设计（论文）说明书 学学 院院 软件学院软件学院 专专 业业 软件工程软件工程 年年 级级 2007 姓姓 名名 指导教师指导教师 毕业设计（论文）任务书毕业设计（论文）任务书 题目：网络爬虫设计与实现 一、原始依据（包括设计或论文的工作基础、研究条件、应用环 境、工作目的等。 ） 互联网是一个庞大的非结构化的数据库， 将数据有效的检索并组织呈现出来 有着巨大的应用前景。 搜索引擎作为一个辅助人们检索信息的工具成为用户访问 万维网的入口和指南。但是，这些通用性搜索引擎也存在着一定的局限性。不同 领域、不同背景的用户往往具有不同的检索目的和需求，通用搜索引擎所返回的
2、结果包含大量用户不关心的网页。 所以需要一个能基于主题搜索的满足特定需求 的网络爬虫。 为了解决上述问题，参照成功的网络爬虫模式，对网络爬虫进行研究，从而 能够为网络爬虫实现更深入的主题相关性，提供满足特定搜索需求的网络爬虫。 二、参考文献 1Winter中文搜索引擎技术解密：网络蜘蛛 M北京：人民邮电出版社， 2004 年 2Sergey 等The Anatomy of a Large-Scale Hypertextual Web Search Engine M北京：清华大学出版社，1998 年 3WisenutWiseNut Search Engine white paper M北京：中国
3、电力出版 社，2001 年 4Gary R.Wright W.Richard StevensTCP-IP 协议详解卷 3：TCP 事务协议， HTTP，NNTP 和 UNIX 域协议 M北京：机械工业出版社，2002 年 1 月. 5罗刚 王振东自己动手写网络爬虫M北京：清华大学出版社，2010 年 10 月. 6李晓明，闫宏飞，王继民搜索引擎：原理、技术与系统华夏英才基金 学术文库M北京：科学出版社，2005 年 04 月. 三、设计（研究）内容和要求（包括设计或研究内容、主要指标 与技术参数，并根据课题性质对学生提出具体要求。 ） 本课题的主要目的是设计面向主题的网络爬虫程序， 同时需要满
4、足的是具有 一定的性能，要考虑到网络爬虫的各种需求。 网络爬虫应用宽度搜索技术。对 url 进行分析，去重。网络爬虫使用多线程 技术，让爬虫具备更强大的抓取能力。网络爬虫要实现对特定主题的爬取。网络 爬虫还要完成信息提取任务，对于抓取回来的网页提取出来:新闻、电子图书、 行业信息等。对网络爬虫的连接网络设置连接及读取时间，避免无限制的等待。 研究网络爬虫的原理并实现爬虫的相关功能。 最终实现的网络爬虫应该能根据设定的主题， 从设定的 url 进行一定深度的 搜索，并最终得到需要的数据。 指导教师（签字） 年 月 日 毕业设计（论文）开题报告 课题名称 网络爬虫设计与实现 学院名称 软件学院 专
5、业名称 软件工程 学生姓名 指导教师 （内容包括：课题的来源及意义，国内外发展状况，本课题的研究目标、研究内 容、研究方法、研究手段和进度安排，实验方案的可行性分析和已具备的实验条 件以及主要参考文献等。 ） 一课题的来源及意义 互联网是一个庞大的非结构化的数据库， 将数据有效的检索并组织呈现出来 有着巨大的应用前景。 搜索引擎作为一个辅助人们检索信息的工具成为用户访问 万维网的入口和指南。但是，这些通用性搜索引擎也存在着一定的局限性。不同 领域、不同背景的用户往往具有不同的检索目的和需求，通用搜索引擎所返回的 结果包含大量用户不关心的网页。为了解决这个问题，一个灵活的爬虫有着无可 替代的重要
6、意义。 二国内外发展状况 对于网络爬虫的研究从上世纪九十年代就开始了， 目前爬虫技术已经趋见成 熟，网络爬虫是搜索引擎的重要组成部分。网络上比较著名的开源爬虫包括 Nutch，Larbin，Heritrix。网络爬虫最重要的是网页搜索策略（广度优先和最 佳度优先）和网页分析策略（基于网络拓扑的分析算法和基于网页内容的网页分 析算法） 。 三研究目标 本论文主要研究搜索引擎的搜索器（网络爬虫程序）的设计与实现,实现简 单的可在后台自动运行的爬虫程序。 1.可以多线程进行抓取。 2.可以进行面向主题的抓取。 四研究内容 本课题研究的内容是如何使网络爬虫灵活高效。 1.如何具备更强的抓取能力。 2.如何分辨重复的网页内容。 3.如何确定主题相关性。 4.对于网络时延等的处理。 五研究方法 网络爬虫应用宽度搜索技术。对 url 进行分析，去重。网络爬虫使用多线程 技术，让爬虫具备更强大的抓取能力。网络爬虫
