分布式网络爬虫研究.doc

摘要：本文提出了一种基于Apache Hadoop计算平台的分布式WEB网络爬虫，采用python语言开发的mrjob框架进行程序编写。爬虫功能包括模拟分布式系统进行网页下载以及url提取，它同时解决了DNS缓存、url重定向、连接超时问题，在下载网页之前会对网站robots.txt协议文件进行分析。它也可以伪装成主流浏览器代理进行爬取。程序中使用了BloomFilter算法对提取的url进行过滤并使用OPIC策略分析url。

关键词 Hadoop；mrjob；python；BloomFilter；OPIC；分布式网络爬虫

目录

摘要

Abstract

1绪论-1

1.1 课题研究的背景和意义-1

1.2 研究现状-1

1.3 研究主要内容-2

2系统基本原理与相关技术-4

2.1 Hadoop平台知识-4

2.1.1 MapReduce分布式数据处理技术-4

2.1.2 HDFS分布式文件系统-5

2.2 网络爬虫原理-6

2.3 分布式网络爬虫基本原理-7

2.4 爬取策略-7

2.5 url去重算法-8

2.6 MRJOB框架-8

3功能模块结构设计-10

3.1功能模块设计-10

3.1.1循环控制模块-10

3.1.2网络爬取和解析模块-10

3.1.3 url去重模块模块-10

3.1.4 url重要度分析模块-10

3.2系统结构设计-10

4程序设计与实现-12

4.1循环控制模块-12

 4.1.1循环次数控制以及爬取阶段耗时-12

 4.1.2爬虫循环-12

 4.1.3 URL去重、生成待爬取文件-12

4.2网络爬取和解析模块-13

4.3 URL去重模块-15

4.4 URL重要度分析模块-17

5系统测试运行及调试-19

结论-24

致谢-25

参考文献-26