本文關鍵詞：基于Hadoop的分布式網絡爬蟲系統(tǒng)的設計與實現(xiàn)

  更多相關文章： 搜索引擎 網絡爬蟲 Hadoop Hbase Storm

【摘要】：隨著互聯(lián)網規(guī)模的不斷擴大,云計算、大數據的快速發(fā)展,互聯(lián)網資源的不斷增多,搜索引擎在信息檢索方面起著關鍵性的作用,在日常生活中人們已經離不開搜索引擎,搜索引擎能夠為人們快速準確地提供所需要的信息。網絡爬蟲作為搜索引擎的關鍵組成部分,直接影響著搜索引擎的性能。本文基于Hadoop平臺設計并實現(xiàn)了一個分布式網絡爬蟲系統(tǒng)。本文基于Hadoop分布式平臺、Hbase列式數據庫、Storm實時處理平臺以及網絡爬蟲的基本原理,結合用戶關于網絡爬蟲的實際需求,明確網絡爬蟲系統(tǒng)實現(xiàn)的總體目標、功能以及性能需求,設計出基于Hadoop的分布式網絡爬蟲系統(tǒng)架構。根據各個模塊的功能以及MapReduce計算框架的特點對每個模塊進行基于MapReduce計算框架的算法設計以及實現(xiàn),在抓取任務模塊和解析頁面模塊將抓取狀態(tài)、解析狀態(tài)實時寫入到Kafka消息隊列,基于Storm平臺實時計算相關指標結果。最后搭建Hadoop分布式平臺和Storm實時處理平臺對本文所實現(xiàn)的分布式網絡爬蟲系統(tǒng)進行測試。本文所實現(xiàn)的網絡爬蟲系統(tǒng)具有以下特點:將網絡爬蟲的抓取任務通過MapReduce分布式計算框架實現(xiàn),從而將爬蟲任務并行化;將抓取到的數據存儲到Hbase分布式數據庫中,從而將數據均勻分布到各個節(jié)點上,并提高了數據讀寫速度;引入Storm實時計算平臺,實時統(tǒng)計網絡爬蟲運行過程中產生的相關指標。本文網絡爬蟲系統(tǒng)將抓取到的頁面內容存儲到Hbase數據庫中,解決了以往分布式網絡爬蟲將頁面內容存儲到HDFS文件系統(tǒng)中讀寫速度慢的問題,相對于單節(jié)點網絡爬蟲性能得到顯著提高,并支持可擴展性。
【關鍵詞】：搜索引擎 網絡爬蟲 Hadoop Hbase Storm
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-11
• 1 緒論11-15
• 1.1 課題研究背景和意義11-12
• 1.2 國內外研究現(xiàn)狀12-13
• 1.3 主要研究內容13
• 1.4 論文結構安排13-15
• 2 相關技術研究15-28
• 2.1 Hadoop分布式平臺技術15-19
• 2.1.1 分布式文件系統(tǒng)HDFS16-17
• 2.1.2 MapReduce計算框架17-19
• 2.2 Hbase數據庫19-20
• 2.3 Storm實時處理平臺20
• 2.4 Kafka消息隊列20-22
• 2.5 網絡爬蟲22-28
• 2.5.1 網絡爬蟲基本原理22
• 2.5.2 頁面搜索策略22-23
• 2.5.3 網絡爬蟲的物理架構23-24
• 2.5.4 DNS緩存24-25
• 2.5.5 爬蟲身份標識25
• 2.5.6 Robots協(xié)議25-26
• 2.5.7 解析Html和非Html文檔26
• 2.5.8 OPIC算法26-28
• 3 系統(tǒng)需求分析28-36
• 3.1 項目總體目標28
• 3.2 功能需求28-34
• 3.2.1 需求描述29
• 3.2.2 功能分類29-30
• 3.2.3 確定系統(tǒng)范圍和邊界30
• 3.2.4 確定參與者30
• 3.2.5 構建用例30-34
• 3.3 性能需求34-36
• 4 系統(tǒng)概要設計36-48
• 4.1 網絡爬蟲系統(tǒng)架構設計36-40
• 4.1.1 網絡爬蟲運行流程分析36-38
• 4.1.2 分布式網絡爬蟲的物理架構設計38-39
• 4.1.3 分布式網絡爬蟲的邏輯架構設計39-40
• 4.2 分布式網絡爬蟲模塊設計40-41
• 4.3 關鍵技術設計41-44
• 4.3.1 URL規(guī)范化41
• 4.3.2 爬蟲任務分配策略41-42
• 4.3.3 平衡禮貌策略42
• 4.3.4 重新訪問策略42-43
• 4.3.5 頁面去重43-44
• 4.4 分布式網絡爬蟲的數據庫設計44-48
• 4.4.1 分布式網絡爬蟲的數據庫概念設計44
• 4.4.2 分布式網絡爬蟲的數據庫表結構設計44-48
• 5 系統(tǒng)詳細設計和實現(xiàn)48-62
• 5.1 InitializePhase模塊48-50
• 5.2 GeneratorPhase模塊50-53
• 5.3 FetcherPhase模塊53-55
• 5.4 ParserPhase模塊55-57
• 5.5 UpdatePhase模塊57-60
• 5.6 CalculateKPI模塊60-62
• 6 系統(tǒng)測試62-68
• 6.1 測試環(huán)境62-63
• 6.1.1 系統(tǒng)軟硬件環(huán)境62-63
• 6.1.2 測試環(huán)境搭建63
• 6.2 測試用例63-65
• 6.3 測試結果65-68
• 7 總結與展望68-70
• 7.1 論文總結68
• 7.2 研究展望68-70
• 參考文獻70-72
• 致謝72-73
• 個人簡歷73

【相似文獻】

中國期刊全文數據庫 前10條

1 周建華;史偉奇;徐聯(lián)華;;基于代理的分布式網絡實時取證模型及關鍵技術研究[J];計算機安全;2007年05期

2 林立鑫;;分布式網絡管理及參考模型的研究與設計[J];電腦知識與技術;2009年21期

3 劉芳;趙磊;;分布式網絡管理技術的研究[J];科技創(chuàng)新導報;2010年05期

4 夏敏捷;夏冰;徐飛;;基于“行政村”的分布式網絡安全評估系統(tǒng)的研究[J];中原工學院學報;2010年01期

5 李曉琳;;淺談分布式網絡在信息管理系統(tǒng)中的應用[J];企業(yè)導報;2012年02期

6 陳曉川,劉曉冰,馮辛安;分布式網絡化研究中心及其體系結構[J];計算機輔助設計與制造;1998年12期

7 李戰(zhàn)國,唐亞哲,李增智;分布式網絡管理技術及實現(xiàn)[J];數據通信;2000年03期

8 翟潔,邵俊華,陳越;一個分布式網絡考試系統(tǒng)的設計與實現(xiàn)[J];微機發(fā)展;2001年01期

9 帥春燕,程文英,呂楊;JINI租借的思想及實現(xiàn)技術研究[J];昆明理工大學學報(理工版);2003年06期

10 何曉智;一個基于移動Agent的分布式網絡管理模型[J];煤炭技術;2003年03期

中國重要會議論文全文數據庫 前10條

1 楊璐皓;范文慶;黃瑋;;基于分布式網絡的負載均衡與路徑選擇算法[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（下冊）[C];2013年

2 習友寶;古軍;;分布式網絡化測試技術綜述[A];第三次全國會員代表大會暨學術會議論文集[C];2002年

3 朱暢華;裴昌幸;李建東;彭愛華;肖海云;;分布式網絡測量和分析基礎架構研究與實現(xiàn)[A];2003年中國通信學會信息通信網絡技術年會論文集[C];2003年

4 劉嶠;何興高;秦志光;;基于Mobile Agent的大規(guī)模分布式網絡安全檢測體系研究[A];全國網絡與信息安全技術研討會’2004論文集[C];2004年

5 王旭仁;劉寶旭;李雪瀅;曹愛娟;許榕生;于通河;;分布式網絡安全監(jiān)控系統(tǒng)的研究和實現(xiàn)[A];第十九次全國計算機安全學術交流會論文集[C];2004年

6 陳寧軍;倪桂強;潘志松;姜勁松;;基于中間件的分布式網絡異常檢測系統(tǒng)[A];2006年全國開放式分布與并行計算機學術會議論文集（三）[C];2006年

7 朱暢華;裴昌幸;李建東;彭愛華;肖海云;;分布式網絡測量和分析基礎架構(DNMAI)研究與實現(xiàn)[A];中國通信學會信息通信網絡技術委員會2003年年會論文集[C];2003年

8 陳海濤;李旭峰;黃遵國;龔正虎;;基于朋友關系的分布式文件搜索[A];第二十二屆中國數據庫學術會議論文集（研究報告篇）[C];2005年

9 趙懷勛;楊華春;;基于Web的分布式網絡故障監(jiān)控系統(tǒng)的設計與實現(xiàn)[A];第一屆全國Web信息系統(tǒng)及其應用會議（WISA2004）論文集[C];2004年

10 許德剛;易虹;;CORBA和Mobile Agent在分布式網絡管理中的應用[A];第一屆全國Web信息系統(tǒng)及其應用會議（WISA2004）論文集[C];2004年

中國重要報紙全文數據庫 前3條

1 ;前景廣闊的分布式網絡架構[N];中國計算機報;2002年

2 ;在單一平臺上可視化管理分布式網絡[N];網絡世界;2002年

3 山楓;1萬美元可買千兆墻[N];中國計算機報;2004年

中國博士學位論文全文數據庫 前6條

1 吳迪;分布式網絡中的通信信號檢測與接收技術研究[D];解放軍信息工程大學;2014年

2 楊靜;高頻分布式網絡雷達系統(tǒng)的研究與實現(xiàn)[D];武漢大學;2010年

3 郭楠;分布式網絡自管理模型及相關問題研究[D];東北大學;2005年

4 何明星;面向群的分布式網絡密鑰管理[D];西南交通大學;2003年

5 馬永剛;圖劃分方法及其在分布式網絡環(huán)境下的應用[D];大連理工大學;2012年

6 白媛;分布式網絡入侵檢測防御關鍵技術的研究[D];北京郵電大學;2010年

中國碩士學位論文全文數據庫 前10條

1 薛超;基于Hadoop的分布式網絡爬蟲系統(tǒng)的設計與實現(xiàn)[D];鄭州大學;2016年

2 卞娜云;分布式網絡模擬技術及其安全態(tài)勢應用[D];江南大學;2016年

3 李艷秋;認知智能電網分布式網絡架構及其關鍵問題研究[D];電子科技大學;2016年

4 李松;基于Hadoop的分布式網絡爬蟲研究[D];電子科技大學;2016年

5 劉昊;面向分布式網絡環(huán)境的服務器監(jiān)測系統(tǒng)的設計與實現(xiàn)[D];吉林大學;2015年

6 王尋;分布式網絡中壓縮感知的應用研究[D];北京郵電大學;2011年

7 鄭漢彬;分布式網絡實驗平臺的設計與實現(xiàn)[D];北京郵電大學;2013年

8 鞏冰;無線分布式網絡中的資源優(yōu)化問題研究[D];北京郵電大學;2015年

9 善俊;分布式網絡測量系統(tǒng)功能增強的設計與實現(xiàn)[D];北京郵電大學;2011年

10 申志;分布式網絡監(jiān)控系統(tǒng)的研究與實現(xiàn)[D];中南大學;2005年

，

本文編號：1077210