计算机工程 ›› 2018, Vol. 44 ›› Issue (11): 289-299.doi: 10.19678/j.issn.1000-3428.0048511
高峰a,刘震a,b,高辉a,b
收稿日期:
2017-09-01
出版日期:
2018-11-15
发布日期:
2018-11-15
作者简介:
高峰(1992—),男,硕士研究生,主研方向为数据库技术、数据挖掘;刘震,副教授、博士;高辉,教授。
基金项目:
国家自然科学基金(61300018)
GAO Fenga,LIU Zhena,b,GAO Huia,b
Received:
2017-09-01
Online:
2018-11-15
Published:
2018-11-15
摘要:
垂直爬虫程序无法直接移植到其他网站并且程序设计需要大量人工干预。为此,提出一种高可移植性的通用型垂直爬虫设计方法。自动识别目标主题和目录页面URL,并利用URL聚类生成URL正则表达式过滤器,以解决垂直爬虫中需人工维护初始URL队列的问题。然后,利用正则表达式过滤器和解析路径模板以及有监督的广度优先与网页赋权搜索策略,实现相关页面的精确定位和数据的快速准确提取。实验结果表明,该方法能够对不同网站实现高效、快速、通用的数据爬取。
中图分类号:
高峰,刘震,高辉. 结合有监督广度优先搜索策略的通用垂直爬虫方法[J]. 计算机工程, 2018, 44(11): 289-299.
GAO Feng,LIU Zhen,GAO Hui. General Vertical Crawler Method Combined with Supervised Breadth-First Search Strategy[J]. Computer Engineering, 2018, 44(11): 289-299.
[1]CRESCENZI V,MECCA G,MERIALDO P.RoadRunner:towards automatic data extraction from large Web sites[C]//Proceedings of the 27th International Conference on Very Large Data Bases.[S.l.]:Morgan Kaufmann Publishers,2001:109-118. |
[1] | 杨林, 王永杰. 基于单点多步博弈的网络防御策略选取方法[J]. 计算机工程, 2021, 47(1): 154-164. |
[2] | 徐晓锋, 张闽, 钱晨喜, 陈清华. IEEE 802.11ax密集WLAN的干扰协调策略[J]. 计算机工程, 2021, 47(1): 182-187,195. |
[3] | 孙中军, 翟江涛. 一种面向加密流量的网络应用识别方法[J]. 计算机工程, 2020, 46(4): 151-156. |
[4] | 徐锋, 王佶. 基于病毒-抗体免疫博弈的WSN链路稳定算法[J]. 计算机工程, 2020, 46(4): 206-212,235. |
[5] | 李莉, 宋嵩, 李冰珂. 基于用户偏好的权重搜索及告警选择方法[J]. 计算机工程, 2020, 46(4): 107-114. |
[6] | 朱国晖, 刘璐, 雷兰洁. 基于VNF组合的服务功能链设计及映射算法[J]. 计算机工程, 2020, 46(4): 183-188,197. |
[7] | 朱婧, 伍忠东, 丁龙斌, 汪洋. SDN环境下基于DBN的DDoS攻击检测[J]. 计算机工程, 2020, 46(4): 157-161,182. |
[8] | 蒋占军, 周涛, 杨永红. WSN中基于改进蚁群的能量优化路由算法[J]. 计算机工程, 2020, 46(4): 189-197. |
[9] | 朱文锋, 王琴, 郭筝, 刘军荣. 针对分组密码的攻击方法研究[J]. 计算机工程, 2020, 46(1): 102-107,113. |
[10] | 林超, 郑霖, 张文辉, 邓小芳. 基于随机矩阵理论的WSN异常节点定位算法[J]. 计算机工程, 2020, 46(1): 157-163. |
[11] | 郭悦, 王红军, 解梦奇. 基于果蝇算法的物联网节点定位技术研究[J]. 计算机工程, 2020, 46(1): 144-149. |
[12] | 丁伟, 张千风, 周文烽. 基于SDN的UDP反射攻击响应方案[J]. 计算机工程, 2020, 46(1): 121-128. |
[13] | 陈秋瑶, 郑烇. 命名数据网络中适用于区分服务的缓存策略研究[J]. 计算机工程, 2020, 46(1): 172-178. |
[14] | 田纪尧, 刘广钟. WSN中基于多因素的能量优化分簇路由算法[J]. 计算机工程, 2020, 46(1): 179-186. |
[15] | 杜诗语, 韩萌, 申明尧, 张春砚, 孙蕊. 概念漂移数据流集成分类算法综述[J]. 计算机工程, 2020, 46(1): 15-24,30. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||
|
公众号