| 基于锚文本的聚焦网络爬虫搜索方法及其系统 |
| 郝红卫; 台宪青; 王艳军; 殷绪成
|
| 2011-08-11
|
公开日期 | 2011-12-28
|
授权国家 | CN
|
专利类型 | 发明专利
|
摘要 | 本发明公开了一种基于锚文本的聚焦网络爬虫搜索方法及其系统,所述方法主要包括:从URL优先级队列中获取URL,并依据URL从Internet下载得到Web页面;对下载的Web页面进行解析,提取URL及其锚文本;对提取出的URL及其锚文本进行筛选;采用TF-IDF与LSI相结合的算法来计算URL的主题相关度,并将符合条件的URL放入优先级队列中;所述系统包括:URL优先级队列、网络爬虫下载器、Web页面库、URL解析器、URL筛选器以及主题相关性判断器。通过采用所述基于锚文本的聚焦网络爬虫搜索方法及其系统,本发明提高了聚焦网络爬虫爬行结果的主题相关度及爬行效率。 |
专利号 | CN201110230220.X
|
专利状态 | 已授权
|
文献类型 | 专利
|
条目标识符 | http://ir.ia.ac.cn/handle/173211/40737
|
专题 | 数字内容技术与服务研究中心
|
作者单位 | 中国科学院自动化研究所
|
第一作者单位 | 中国科学院自动化研究所
|
推荐引用方式 GB/T 7714 |
郝红卫,台宪青,王艳军,等. 基于锚文本的聚焦网络爬虫搜索方法及其系统. CN201110230220.X[P]. 2011-08-11.
|
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论