行业动态基于Heritrix的网络爬虫实现

网络爬虫, 是一种可以根据网页之间的链接关系, 在Internet中自动抓取网页的程序, 它可以有条理的, 自动的遍历万维网信息空间。它通过HTTP协议来访问网页, 同时, 通过跟踪链接来遍历整个Web空间。本系统的网络爬虫, 基于Heritrix实现。Heritrix是一个由Java开发的、开源的Web网络爬虫框架。

本系统的网络爬虫为要包括:网页分类器 (根据主题策略将网页分为主题相关和主题不相关两类) 、信息提取器 (以主题相关网页作为提取对象, 提取文本信息和链接信息) 和网页抓取器 (抓取“筛选”过的网页) 。

当前题目：行业动态基于Heritrix的网络爬虫实现
标题链接：/news49/144599.html

成都网站建设公司_创新互联，为您提供营销型网站建设、外贸建站、自适应网站、移动网站建设、微信小程序、用户体验

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联