基于Jsoup的通用网页采集系统的设计与实现

发布时间：2017-03-17 07:02

  本文关键词：基于Jsoup的通用网页采集系统的设计与实现，由笔耕文化传播整理发布。

【摘要】：随着计算机网络的迅速发展,Internet已经成为一个巨大的信息资源库。在WEB海量信息处理的背景下,WEB智能信息检索、文档自动摘要、舆情分析等等需求应运而生。这些需求都是对互联网中海量的WEB页面的采集及分析的过程。通常情况下,这类技术都是通过网络爬虫来从网络上抓取原始网页的信息,而原始信息中除了用户所感兴趣的正文信息之外,还通常会包含有各种网络噪音数据,比如广告链接、标签信息、导航链接、评论等等。这些噪音数据的存在,极大地影响了网络检索的效率,也降低了人们的阅读效率。正确、高效地在半结构化、异构性强的HTML源文件中提取到文章正文,在基于互联网的数据挖掘、信息检索等领域具有着重要的意义。本文描述了基于停止词以及链接稠密度的父节点加权比值算法通用的网页正文提取系统的设计与实现。该算法基于Jsoup文档解析技术,通过对停止词分析、链接稠密度分析技术对网页进行二次信息节点筛选后,采用父节点加权比值方法得到最优内容子树。本系统采用B/S(浏览器/服务器)架构,以Intellij Idea为前端界面和后端服务开发工具,以H2 SQL作为后台数据库管理系统,设计出了一套符合网页正文提取需求的系统。该系统的核心模块为:文档格式化处理模块、文档裁剪降噪模块、正文节点判断模块、正文格式化输出模块。通过测试发现,本系统具有对各种HTML布局的新闻正文提取任务有很高的精确度。
【关键词】：网页正文提取 父节点加权比值 分词技术 链接稠密度 B/S架构
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP311.52
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 引言9-16
• 1.1 研究背景9-10
• 1.2 国内外现状10-14
• 1.2.1 基于文档结构树分析的网页正文提取技术10-12
• 1.2.2 不基于文档结构树分析的网页正文提取技术12-14
• 1.3 主要工作内容14-15
• 1.4 论文组织结构15
• 1.5 本章小结15-16
• 第二章 系统需求分析与方案设计16-26
• 2.1 研究背景16
• 2.2 系统的需求分析16-20
• 2.2.1 网页正文内容提取的需求18-19
• 2.2.2 参数可配置的需求19
• 2.2.3 操作历史可监控的需求19
• 2.2.4 文本分词与停止词分析的需求19-20
• 2.3 系统的方案设计20-25
• 2.3.1 系统的网络拓扑图20-21
• 2.3.2 系统的软件功能框架21
• 2.3.3 技术选型21-25
• 2.4 本章小结25-26
• 第三章 系统的软件设计26-39
• 3.1 数据库设计26-27
• 3.1.1 数据逻辑视图26-27
• 3.1.2 数据物理视图27
• 3.2 WEB应用设计27-29
• 3.2.1 WEB架构设计原则27-28
• 3.2.2 WEB架构图28-29
• 3.3 系统核心模块设计29-38
• 3.3.1 核心模块体系结构30-33
• 3.3.2 核心模块划分33-38
• 3.4 本章小结38-39
• 第四章 系统的软件实现39-57
• 4.1 数据库的实现39-41
• 4.2 WEB前端的实现41-48
• 4.2.1 正文提取页面44-45
• 4.2.2 分词页面45-46
• 4.2.3 停止词计算页面46
• 4.2.4 系统参数设置页面46-47
• 4.2.5 操作历史页面47-48
• 4.3 核心算法模块的实现48-55
• 4.3.1 文档格式化处理模块的实现48-49
• 4.3.2 文档裁剪降噪模块的实现49-51
• 4.3.3 文档正文节点判断功能模块的实现51-54
• 4.3.4 文档正文格式化输出功能模块的实现54-55
• 4.4 本章小结55-57
• 第五章 测试与分析57-67
• 5.1 软件的代码级测试57-60
• 5.2 软件的功能级测试60-64
• 5.3 软件的性能级测试64-66
• 5.4 本章小结66-67
• 第六章 总结与展望67-69
• 6.1 全文总结67-68
• 6.2 后续工作展望68-69
• 致谢69-70
• 参考文献70-72

【相似文献】

中国期刊全文数据库 前10条

1 朱松岩;;网页设计之特性分析[J];山东省农业管理干部学院学报;2009年03期

2 安琳;;国外网页信息存档项目及相关问题研究[J];图书馆建设;2009年12期

3 蒋桂梅;;网页设计的艺术性[J];电脑知识与技术;2010年05期

4 龙正义;;网页长期保存的策略与方法研究[J];档案管理;2010年03期

5 李志义;梁士金;;国内网页去重技术研究:现状与总结[J];图书情报工作;2011年07期

6 王烁;;美国网页归档项目——Internet Archive发展研究[J];兰台世界;2012年17期

7 栗勇兵;韩平;董启雄;;网页信息自动提取的设计与实现[J];计算机光盘软件与应用;2012年18期

8 何立波;周世波;;网页设计中的艺术研究[J];考试周刊;2011年25期

9 秦永平;网页信息共享技术[J];计算机应用;2000年02期

10 项镇;网页设计新概念[J];江西教育学院学报(自然科学);2001年06期

中国重要会议论文全文数据库 前10条

1 吴建军;;谈网页设计的艺术性表现[A];经天纬地——全国测绘科技信息网中南分网第十九次学术交流会优秀论文选编[C];2005年

2 韩近强;赵静;杨冬青;唐世渭;姚小波;;基于领域知识的网页筛选系统[A];第十九届全国数据库学术会议论文集（技术报告篇）[C];2002年

3 昝红英;苏玉梅;孙斌;俞士汶;;基于浅层分析的网页相关度研究[A];语言计算与基于内容的文本处理——全国第七届计算语言学联合学术会议论文集[C];2003年

4 孙静;刘正捷;奚小玲;王慧;;帮助盲人理解网页信息的一种网页结构划分方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 曹淮;晁丁丁;;3D元素在网页信息传达中的应用研究[A];2006年中国机械工程学会年会暨中国工程院机械与运载工程学部首届年会论文集[C];2006年

6 唐超;刘辰;杨正球;;使用多层迭代分析和分类网页文档的方法[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集（上册）[C];2008年

7 马骁;王晓龙;王轩;卜永忠;;基于网页信息结构的网页体裁聚类分析[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

8 罗阳;季铎;张桂平;王莹莹;;面向单一网页的双语资源挖掘方法[A];第六届全国信息检索学术会议论文集[C];2010年

9 于满泉;谭松波;许洪波;;网页内部结构挖掘技术研究[A];NCIRCS2004第一届全国信息检索与内容安全学术会议论文集[C];2004年

10 王宇;黄炜;肖艳芹;任建立;李天柱;;ORBASE用于基于内容的Web查询[A];第十七届全国数据库学术会议论文集（技术报告篇）[C];2000年

中国重要报纸全文数据库 前10条

1 本报记者 曾居仁　通讯员 郝金荣;贵州“万村千乡”网页工程开辟为农服务新渠道[N];中国气象报;2012年

2 壮壮;批量保存网页信息[N];电脑报;2004年

3 罗震宇　严小斌;一种新型WEB开发技术的探讨[N];中国冶金报;2011年

4 钱鹏;网尽Web页中的好东东[N];电脑报;2004年

5 星之海洋;迈出网页制作的第一步[N];电脑报;2004年

6 河南 张金贵;FrontPage2000组件详解（四）[N];电脑报;2001年

7 枫尔;网站浏览提速的五大秘方[N];中国证券报;2004年

8 飘零剑客;网络监控利器——AnyView[N];中国电脑教育报;2004年

9 八戒;眨眼之间 答案立现[N];电脑报;2013年

10 ;网络应用 天龙八“步” 申请上网账号[N];电脑报;2002年

中国博士学位论文全文数据库 前10条

1 陈洁;基于概念融合的网页筛选技术研究[D];北京邮电大学;2013年

2 龚昌盛;基于语义标注的网页广告加载模型研究[D];武汉大学;2010年

3 孙建涛;Web挖掘中的降维和分类方法研究[D];清华大学;2005年

4 黄华军;网页信息隐藏与隐秘信息检测研究[D];湖南大学;2007年

5 徐晴阳;基于关系子群发现算法的聚焦爬行技术[D];吉林大学;2008年

6 曹鲁慧;Web个人信息集成问题研究[D];山东大学;2012年

7 刘馨月;Web挖掘中的链接分析与话题检测研究[D];大连理工大学;2012年

8 罗娜;基于本体的主题爬行技术研究[D];吉林大学;2009年

9 张勇实;基于链接相似性分析的WEB结构挖掘方法研究[D];哈尔滨工程大学;2012年

10 宗校军;中文网页定题采集及分类研究[D];华中科技大学;2006年

中国硕士学位论文全文数据库 前10条

1 敖志敏;基于网页相似度的搜索算法改进的研究[D];上海师范大学;2015年

2 杨寻;地域文化的视觉元素在旅游网页设计中的应用研究[D];西南交通大学;2015年

3 张W，

本文编号：252497