找到2项技术成果数据。
找技术>-
一种基于关键字的定向网页采集方法
成熟度：正在研发
技术类型：发明
应用行业：制造业
技术简介
本发明涉及一种基于关键字的定向网页采集方法，引入了文本加权算法为关键词设置权重，结合空间向量模型算法计算网页主题相关度，并且利用网页链接结构与主题相关度来评判网页的重要性。根据文本聚类算法将相关主题网页文档聚集在一起，利用朴素贝叶斯算法计算出待抓取的网页属于主题文档的概率。设置适应度函数筛选与主题相关的网页，依据网页的实时抓取情况动态的调整系统模型。本文基于分布式平台，结合开源网络采集架构，利用自适应主题算法实现对主题网页的定向抓取。采用分布式技术实现并行化抓取网页，充分利用各个节点计算资源，提高了网页的抓取速率。
-
一种主题相关的分布式网络爬虫系统
成熟度：正在研发
技术类型：发明
应用行业：信息传输、软件和信息技术服务业
技术简介
一种主题相关的分布式网络爬虫系统，包括：主题链接存储器，用于存放系统未完成抓取的超链接；控制节点，用于从主题链接存储器中提取超链接，去除其中已经被系统抓取过的超链接，然后将未被系统抓取过的超链接分配给爬行节点，并控制是否终止系统运行；爬行节点，用于接收控制节点分配的超链接，然后下载超链接标识的网页，并且将网页存储在网页数据库中；网页数据库，用于存放爬行节点抓取的网页；网页分析器，用于定期从网页数据库中读取爬行节点下载的最新网页，对网页进行内容分析，计算网页及网页内所含超链接的主题相关度，然后根据主题相关度将相关的超链接存放到主题链接存储器中，将每个网页的主题相关度存于网页数据库中。