一种针对网络文档的网络爬虫提取URL并索引及与关键词映射的框架的制作方法

文档序号：11199342阅读：459来源：国知局

本发明涉及一种针对网络文档的网络爬虫提取url并索引及与关键词映射的框架

背景技术：

目前搜索引擎只针对文本进行搜索，还不能有效对音乐、图片和视频等多媒体文件进行搜索，原因主要是多媒体数据量太大；如何索引多媒体文件；进而对处理过的多媒体文件检索。现在因特网上有大量的多媒体文件，特别是社交网站和多媒体分享的兴起，需要对多媒体文件进行精准检索。

网络爬虫，也称网络蜘蛛、网络机器人，是一个自动提取网页的程序，它从因特网上下载网页，是搜索引擎的重要组成部分。网络爬虫利用标准的http协议，根据超级链接和网络文档检索的方法遍历因特网信息空间。因特网上有数千种不同的数据类型，http给每种要通过网络传输的对象都打上了名为mime类型的数据格式标签。统一资源定位符(url)是资源标识符最常见的形式。url描述了一台特定服务器上某资源的特定位置。元素文件(metafile)可提供有关页面的元信息，如针对搜索引擎和更新频度的描述和关键词，可针对元素的关键词进行索引。

网络搜索的数据往往是高维的，其维数甚至达到百万数量级。发现和利用高维数据中的低维结构，在网络搜索中显得尤为重要。另外，在网络搜索中，人们只能观察到少量元素，希望根据这些有限的信息，能够猜测出未看到的大量元素，从而恢复一个未知的低秩矩阵或近似低秩矩阵。

假定已知数据已排列成一高维数据或样本矩阵。估计一低维子空间的问题称为低秩矩阵逼近。当低秩矩阵或样本矩阵的某些元素被严重损坏时，能够自动识别被损坏的元素，精确地恢复原低秩矩阵。在网络搜索中，需要将一个数据矩阵分解为一个低秩矩阵与一个稀疏矩阵之和，并且希望同时恢复低秩矩阵与稀疏矩阵。

本发明提供了一种针对网络文档的网络爬虫提取url并索引及与关键词映射的框架，可在适当增加数据量的前提下，通过metafile的关键词对url进行索引，并与相关关键词建立映射，利用关键词对网络文档进行语义检索。

技术实现要素：

本发明的目的在于提供一种针对网络文档的网络爬虫提取url并索引及与关键词映射的框架。本发明包括以下特征：

发明技术方案

1.一种针对网络文档的网络爬虫提取url并索引及与关键词映射的框架，其具体步骤如下：

1)网络爬虫从遍历参数和起始url开始；

2)使用url库中的第一个url从网络上下载网页；

3)将其传递给重复网页检查，重复核查的准确性取决于具体的遍历参数；

4)如果网页没有被拒绝，则将它保存到网页库中；

5)并传递给链接提取；

6)链接提取从网页的metafile中提取链接，传递给url检查；如果之前访问过，或不符合遍历参数表中列出的标准，则拒绝下载；

7)同时提取关键词，传递给关键词库，以备语义检索；

8)将没有被拒绝的url进行索引，递给url库；并与相关关键词建立映射；

9)url库然后将一个未被访问的url传递给网页提取。

附图说明

图1是针对网络文档的网络爬虫提取url并索引及与关键词映射的框架图。

具体实施方式

这种针对网络文档的网络爬虫提取url并索引及与关键词映射的框架，包括如下步骤：