书书书
主题网络爬虫研究综述
!
于
"
娟!刘
"
强
!福州大学经济与管理学院"福建 福州
!"#$#%
#
摘
"
要!网络信息资源呈指数级增长!面对用户越来越个性化的需求!主题 网 络 爬 虫 应 运 而 生" 主题
网络爬虫是一种下载特定主题网页的程序" 利用在采集页面过程获得的特定信息!主题网络爬虫抓取的
页面都是与主题相关的" 基于主题网络爬虫的搜索引擎以及基于主题网络爬虫构建领域语料库等应用已
经得到广泛运用
" 首先介绍了主题爬虫的定义#工作原理$然后介绍了近年来国内外关于主题爬虫的研究
状况!并比较了各种爬行策略及相关算法的优缺点$最后提出了主题网络爬虫未来的研究方向"
关键词!网络爬虫$主题爬虫$搜索引擎
中图分类号!
&'!(!
文献标志码!
)
!"#
$
$#*!(+(
%
,
*-../*$##01$!#2*3#$"*#3*##0
$%&'(
)
"*+"
,
#-./"-%0(!-&123(&0
45678/
"
9:5 ;-8/
<
!
=>?@@A@BC>@/@D->.8/E F8/8
<
GDG/H
"
I7J?@75/-KGL.-H
M
"
I7J?@7!"#$#%
"
N?-/8
#
450+&1-+
$
O-H?H?GGP
Q
@/G/H-8A
<
L@RH?@B/GHR@LS-/B@LD8H-@/LG.@7L>G.8/EH?G
<
L@R-/
<Q
GL.@/8A1
-JGEEGD8/E.@B>7.H@DGL.
"
H@
Q
->1B@>7.GE>L8RAGLGDGL
<
G.8.H?GH-DG.LG
T
7-LG*&@
Q
->1B@>7.GE>L8RAGL.
8LG
Q
L@
<
L8D.EG.-
<
/GEH@E@R/A@8ERGU
Q
8
<
G.R?->?8LGLGAGK8/HH@.
Q
G>-B->H@
Q
->.*5.-/
<
-/B@LD8H-@/
<
8H?GLGE8HL7//-/
<
H-DG
"
H@
Q
->1B@>7.GE>L8RAGL.GP
Q
A@LGH?GRGU.R?->?B@AA@R
Q
L@D-..@L
M
?
MQ
GLA-/S.
"
8/EBGH>?@/A
MQ
8
<
G.R?->?8
QQ
G8LH@UGLGAGK8/H*&?G.G8L>?-/
<
G/
<
-/G8/E>@L
Q
7.U7-AE-/
<
U8.GE@/
H@
Q
->1B@>7.GE>L8RA-/
<
?8KGUGG/R-EGA
M
7.GE*OGB-L.HEGB-/GH?G
<
@8A.8/E@
Q
GL8H-/
<Q
L-/>-
Q
AG.@BB@1
>7.GE>L8RA-/
<
"
>@D
Q
LG?G/.-KGA
M
8/8A
M
JGH?GLG>G/H8EK8/>G.8H?@DG8/E8UL@8E
"
8/EH?G/>@D
Q
8LGH?G
>L8RA-/
<
.HL8HG
<
-G.@BK8L-@7.H@
Q
->1B@>7.GE>L8RAGL.8.RGAA8.H?G8EK8/H8
<
G.8/EE-.8EK8/H8
<
G.@BLGA8H1
GE8A
<
@L-H?D.*I-/8AA
M
"
RG
Q
@-/H@7HH?GB7H7LGE-LG>H-@/@BH@
Q
->1B@>7.GE>L8RA-/
<
*
6(
)
2"&!0
$
RGU>L8RAGL
&
B@>7.GE1>L8RAGL
&
.G8L>?-/
<
G/
<
-/G
7
"
引言
网络爬虫是用户从互联网中获取信息资源的
有效工具"近些年 来 随着 网 络的 不 断普 及"网 络信
息资源呈爆炸式的增长"用户的需求也越来越个性
化"普通网络爬虫 已 经难 以 满足 用 户的 需 要"主题
网络爬虫!后简称主题爬虫#应运而生"能很好地解
决这个难题'
互联网上含有 超 过
$+
亿 的 网 站
(
$
)
"而 这 些 被
索引的网站包含 至 少
3$0
亿的 页 面
(
3
)
'互 联 网 用
户从网络中寻找信 息资 源 的途 径 主要 是 通过 搜 索
引擎"在中国互联网络信息中心
NVV:N
!
N?-/8:/1
HGL/GHVGHR@LS:/B@LD8H-@/NG/HGL
#第
!$
次 报 告
中指 出
(
!
)
"
3#$3
年 中 国 的 搜 索 引 擎 用 户 达 到 了
W*"$
亿"可 见 搜 索 已 经 成 为 互 联 网 用 户 的 基 本 行
为"而时下的一个研究热点就是基于主题爬虫的专
业搜索引擎'此外"如何通过主题爬虫有效构建领
域语料库也是 一个 研 究热 点' 语 料库 指 经科 学 取
样和加工的大 规模 电 子文 本 库'借助 计 算机 分 析
!
收稿 日期!
3#$!1#%130
&修回日期!
3#$!1$#1$%
基金 项目!国家自然科学基金资助项 目!
0$3#$#!3
#&福建省社会 科 学 规 划 资 助 项 目!
3#$3N#3$
#&福建 省 教 育 厅 社 会 科 学 研 究 资 助
项目!
6)$$#W#=
#
通信 地址!
!"#$#%
福建省福州市大学城学园路
3
号福州大学经济与管理学院
4!!&(00
$
=>?@@A@BC>@/@D->.8/E F8/8
<
GDG/H
"
I7J?@75/-KGL.-H
M
"
I7J?@7!"#$#%
"
I7
,
-8/
"
'*X*N?-/8
"
NVW!1$3"%
%
&'
:==V$##01$!#2
""""
计算机工程与科学
N@D
Q
7HGLC/
<
-/GGL-/
<
Y =>-G/>G
第
!0
卷第
3
期
3#$"
年
3
月
"
Z@A[!0
"
V@[3
"
IGU[3#$"
"
文章编号!
$##01$!#2
!
3#$"
#
#31#3!$1#0