基于網格的大規(guī)模網頁采集技術研究.pdf

1、VCE Search Engine是一個基于Globus網格平臺的網絡搜索引擎項目。本文以VCE Search Engine項目的網頁采集功能為需求，設計并實現了一個有效且高性能的基于網格進行大規(guī)模網頁采集的系統(tǒng)。
　　本文首先分析和研究了網格技術的基本特點，給出了相關的基本概念，并詳細的介紹了網格項目開發(fā)工具包—Globus Toolkit，主要闡述了它的起源、系統(tǒng)結構以及應用Globus Toolkit進行網格項目開發(fā)的基本流

2、程。然后，介紹并分析了網頁采集技術的相關概念。介紹了網絡爬蟲的基本原理、網絡爬蟲的基本工作流程、網絡爬蟲的基本數據流程以及網絡爬蟲的工作模式分類。然后，給出了網頁采集系統(tǒng)的一般評價指標，并分析了影響各項指標的具體因素，通過實驗給出了采集帶寬對網頁采集速度以及網頁采集錯誤率的影響。然后通過對網格技術的分析，給出了基于網格進行大規(guī)模網頁采集的優(yōu)點--易于獲得較高帶寬、易于資源的聚合和協(xié)同、易于信息的獲取和發(fā)布以及良好的可擴展性。
　　

3、然后，通過對網頁采集系統(tǒng)性能指標影響因素的分析，設計了一個基于網格的大規(guī)模網頁采集模型。給出了一個四層的模型架構，分析了其基本工作模式，并結合動態(tài)分配和靜態(tài)分配的工作方式，設計了一個改進的基于靜態(tài)分配的交互模式。然后，給出了基于網格進行網頁采集的任務劃分機制，主要包括種子Urls的選取以及劃分函數的設定。然后為該模型設計了一個兩層的任務調度算法—廣域網任務調度算法和局域網任務調度算法，并給出了各類數據的存儲方式，并通過分析該模型，說明了