1、山东科技大学本科毕业设计（论文） I 摘要 随着网络在世界范围的飞速发展，互联网作为最具潜力与活力的媒体已经被公认是继报纸，广播，电视之后的“第四媒体”，成为反映社会新闻热点的重要载体。为了及时了解网络新闻热点，相关机构引入了新闻热点分析系统。本文设计的新闻爬虫系统是新闻热点分析系统的数据源，负责新闻信息的采集。 本文借助于爬虫领域的相关技术与工具，结合新闻热点分析系统的需求从原理或工作流程上详细论述了爬虫系统中核心模块的具体实现。 本文所描述的新闻爬虫系统其数据来源主要是新浪新闻，首先利用爬虫工具将新闻数据获取到本地数据库中，然后将新闻信息以 及新闻分析的结果将在前台网页中进行可视化输出。本
2、文主要进行了以下几个方面的工作： 1）利用 Java 语言结合 HTTPClient 开源工具编写了一个针对新浪新闻的可扩展的网络爬虫，该爬虫程序能够按照广度优先的爬行策略对新闻数据（包括图片信息）进行全面的定向抓取以及周期性的增量抓取； 2）采用 HTMLParser 对获取到的新闻信息进行元数据抽取，将新闻的编号、标题、内容、发布方、发布时间等元数 据以及新闻图片等元数据解析出来并存入 SQL Server 数据库中； 3）前端界面利用开源 AJAX 框架 ExtJS 结合 Servlet 进行实现，兼顾用户交互方式的多样性以及系统的跨浏览器兼容性。 通过使用该新闻爬取系统，用户能够实时的
3、更新新闻信息，及时、全面、准确地掌握新闻热点动态，提高对于重大突发事件的处理能力，对于更及时，全面的了解各地的实时信息具有重要意义。 关键词 ：新闻热点，网络爬虫，元数据抽取，可视化 山东科技大学本科毕业设计（论文） II ABSTRACT With the rapid development of World Wide Web(WWW),it is widely accepted that the internet,called the Fourth Media,will be the most potential and energetic media after newspaper,ra
4、dio and television as an important carrier of the hot society news.In order to know the internet hot news in time,the related organizations introduced the hot news and analysis system. The news spider system is in the information collection layer and is the fundamental part of hot news analysis syst
5、em.It is responsible for the information collection . In the help of related technologies and tools and with the needs of the system itself ,the paper discuss the concrete realization of the code module in detail . The data of the news spider system comes from news of sina . First using web crawler
6、to get data from news to local database , finally visualize the public opinion information on the front page. This article mainly has carried on the following several aspects work: 1) Using Java and HTTPClient developed a scalable web crawler which focus on DISCUZ BBS. Besides, this crawler can cond
7、uct a comprehensive orientation of fetching and periodic increment of fetching from BBS data (including the BBS post information and all its replies) under breadth-first strategy. 2） Using HTMLParser to extract meta-data from the BBS information, parsed and stored the meta-data, such as number, titl
8、e, content, poster, posting time and the corresponding reply in a SQL Server database. 3） front-end interface combined with the use of open source AJAX framework ExtJS Servlet be achieved, taking into account the diversity of user 山东科技大学本科毕业设计（论文） III interaction and system cross-browser compatibili
9、ty. By using this news crawling system, users can real-time news and information updated, timely, comprehensive and accurate grasp of hot news developments, improve the handling capacity of major emergencies, for more timely and comprehensive understanding of an important real-time information acros
10、s significance. Key Words: Hot news， Web crawler， Metadata extraction， Visualization 山东科技大学本科毕业设计（论文） IV 目录 1 绪论 . 1 1.1 开发背景及目的 . 1 1.2 国内外相关研究现状 . 3 1.3 论文主要内容和章节安排 . 4 2 系统开发知识准备 . 6 2.2 J2EE 技术简介 . 7 2.3 SQL Server 2005 简介 . 8 2.4 ExtJS 简介 . 10 2.5 开源工具简介 . 12 2.5 本章小结 . 13 3 系统需求分析 . 14 3.1 系统可
11、行性研究 . 14 3.2 用户对象分析 . 15 3.3 用户用例分析 . 16 3.4 功能需求分析 . 20 3.5 性能需求分析 . 21 3.6 本章小结 . 21 4 系统总体设计 . 23 4.1 数据库结构设计 . 23 4.2 系统功能模块设计 . 25 4.3 本章小结 . 31 5 系统详细设计与实现 . 32 5.1 数据获取模块 . 32 5.2 数据可视化模块 . 36 5.3 本章小结 . 43 6 系统测试与发布 . 44 6.1 软件测试的目标和方法 . 44 山东科技大学本科毕业设计（论文） V 6.2 测试用例 . 45 6.3 本章小结 . 49 7 总
12、结 . 50 参考文献 . 52 8 致谢词 . 53 附录 1 英文原文 . 54 附录 2 中文译文 . 64 山东科技大学本科毕业设计（论文） 1 1 绪论 本章主要阐明了该课题的研究背景及其研究意义，简要说明了国内外对于爬虫系统的研究现状，并介绍了本论文的主要内容组成以及论文的组织结构。 1.1 开发背景及目的 随着互联网技术的发展与应用的普及，网络作为信息的载体，已经成为社 会大众参与社会生活的一种重要信息渠道。由于互联网是开放的，每个人都可以在网络上发表信息，内容涉及各个方面。小到心情日志，大到国家大事。互联网已成为思想文化信息的集散地，并具有传统媒体无法相比的优势：便捷性，虚拟性
13、，互动性，多元性。 网络新闻热点通常形成迅速，多是人们对于日常生活中的各种问题发表的各种意见，评论，态度，情绪等，随着事件的发展而变化，是反映社会热点的重要载体之一。 网络爬虫是一种按照一定上网规则，自动的抓取万维网信息的程序或脚本。网络检索功能起于互联网内容爆炸性发展所带来的对内容检索的需求。搜素 引擎不断发展，人们的需求也不断提高，网络信息搜索已经成为人们每天都有进行的内容。如何使搜索引擎能够时刻满足人们的需求？最初的检索功能通过索引站的方式实现，从而有了网络机器人。本课题来源于新闻爬虫系统项目的建设，旨在为相关机构提供及时的网络信息服务。这些服务与现有的搜索引擎提供的服务不同，其重要特征
14、主要体现在：及时性，专用性，人性化。 1、 及时性 山东科技大学本科毕业设计（论文） 2 新闻爬虫系统通过爬虫技术自动爬取新闻信息，定期对相应类型的新闻的地址进行扫描，如若该新闻并未被爬取过则对其进行自动爬取。让系统的工作人员可以静观事态的发展。 2、 专用性 新闻爬虫系统的专用性体现在数据采集，数据分析，数据展现等几个环节上。在数据采集方面系统采用手动爬取与增量爬取相结合的方式。有针对性的采集需要的几个类别的新闻信息，并对信息进行抽取，去噪，结构化处理，为后续专用分析创造条件。在数据分析与数据展示方面，系统通过对得到的信息进行深入的分析，将分析结果进行多维度的展现。 3、 人性化 新闻爬虫系
15、统的人性化主要体现在数据结果的展示上。 用户可以随时查看任意一个时间的新闻分析结果，而且该系统由于是基于多线程的程序完成任务的效率高。所以不管实在界面上还是在效率上都 非常的人性化。 新闻爬虫系统项目建设意义重大。一方面，新闻爬虫系统提供了大量的分析素材，方便全面的了解大众网络新闻的热点。另一方面，原来的新闻信息收集工作主要依靠人工完成，工作量巨大，覆盖面小，不仅费时费力而且还不免出现人为疏漏的情况，这种局面亟待通过技术手段提高工作效率。 本文完成的是新闻爬虫系统的设计与实现，该爬虫系统为新闻分析系统提供数据源，完成新闻信息的搜集。因此可以说爬虫系统是整个分析系统的基础，并且爬虫系统输出结果的
16、好坏直接影响着系统结果的展现。 山东科技大学本科毕业设计（论文） 3 1.2 国内外相关研究现状 1.2.1 网络爬虫 从搜索对象上来分类，主流的的爬虫技术包括以下两种： 第一种是基于链接分析的搜索。上世纪九十年代，国外的搜索引擎开发者已经开始以社会网络工作为模型，对万维网进行模拟。专家们通过社会间人与人的关系网，设计研发出了页面间的超链接关系网络。同时他们还惊奇的发现，相似度最高的在传统引文方面。这样通过对照就可以分析得出结论，从关系网络的角度入手，就能将互联网上大量的网页进行分类。早在 2002 年，欧美地区便出现了这种最原始的基于链接的搜索系统。 第二种是基于内容分析的搜索。相对于基于链
17、接分析的搜索方 式，这是搜索技术的一个突破性进展，他们采取了一种新的思维方式，建立一个针对主题的词库。当用户在专业领域进行搜索时，可以将词库和爬虫结合起来进行检索。由于搜索角度的转变，这种新的技术逐渐开始被人们所关注。在上世纪九十年代， Fish Search System 系统作为首个基于内容分析的搜索系统被开发出来。后来在 1998 年和 1999 年相继出现了 Shark Search System和聚焦爬虫（ Focused Crawler） 1。 时至今日，聚焦爬虫技术取得了长足的发展和进步，国外典型的系统包括 CORA、 IBM Focused Crawler 等。 CORA 是由
18、美国卡内基梅隆大学的A.K.McCallum 和 M.Nigam 等人于 1999 年针对计算机科学设计的一个主题型搜索引擎。 CORA 采用机械认知的方式，其主要针对的对象是与计算机主题相关联的内容，通过隐性马尔夫的原理对用户需要的内容进行分类。虽然 CORA 分析地址和主题的能力还很不足，同时也不具备对网页进行分析的能力，但是这仍然无法抹杀它在自动搜集资源方面取得的重大成就。 S.Chakrabarti 在本世纪初提出了 IBM Focused Crawler，这是一种全新山东科技大学本科毕业设计（论文） 4 的爬行系统。从现在的技术来看，当时的 IBM Focused Crawler 采
19、取了全新双模块系统，即分类器和选择器。分类器主要用于计算相关度，而选择器用来确定主要页面。 S.Chakrabarti 在随后的开发过程中对整个系统进行了进一步的完善，使得该系统在准确度和相关度方面有了大幅度的提升 2。 美国人 Diligenti 采取建立上下文图的方式设计出了聚焦爬虫，他们将其命名为 Context Graphs Focused Crawler。这种通过学习网页引用关系的方法后来被证明效率并不高， 但在当时也是重要的创新手段。系统会利用反向链接服务找到指向该页面的网页，在这两层网页之间建立引用关系，由此建立聚焦爬虫的爬行路径。通过用户搜索参数的改变，每一个页面都会建立一个对
20、应的引用关系，最后将他们进行合并。在这个过程中，分类器会确定他们的层级关系，确定之后，页面的链接便会加入队列，由此提取到所有需要进行抓取的网页 3。 对于基于内容分析的搜索，国人也做出了很大贡献。张福炎教授设计出了 IDGS（ Internet Data Gather System）系统，可以对万维网上的中英文内容进行搜索，大大的填补 了中文方面的空白。 IDGS 能够在万维网上对信息进行自动查询，采用向量空间模型技术对内容进行检索，同时利用权重评价技术来进行统计。在该系统中由模式匹配模块计算相关度，采取漫游模型来进行后期的持续检索。该系统的最大优点是准确度高，其代价是牺牲了覆盖度，搜索的深度
21、非常有限 4。 1.3 论文主要内容和章节安排 本文对于新闻爬虫系统的设计与实现过程作出了详细介绍，该系统的数据来源主要是网络网页新闻。本系统的运行流程大致如下：首先利用爬虫工具将新闻数据获取到本地数据库中，之后对其进行数据分析，最后将新闻内 容信息以及分析结果在前台网页中进行可视化输出。 山东科技大学本科毕业设计（论文） 5 第一章 为绪论，主要阐明了该课题的研究背景及其研究意义，简要说明了国内外对于爬虫系统的研究现状，并介绍了本论文的主要内容组成以及论文的组织结构。 第二章 为系统开发知识准备，简要介绍了进行本次新闻爬虫系统开发所需要的相关理论和技术，主要包括爬虫技术的知识理论和 J2EE
22、技术、 SQL Server 2005 数据库管理系统以及 ExtJS 框架等相关知识，并对系统开发过程中用到的一些关键开源工具做出了简要说明。 第三章 对本系统进行了需求分析，首先从技术可行性、操作可行性和经济可行性三个方面对 系统可行性进行了评估，随后对系统的用户对象和用户用况从管理员用户和普通用户两个角度进行了详细的分析，并分别总结出了相应的功能需求，最后对系统的性能需求进行了简要分析。 第四章 对本系统进行了总体设计，包括数据库结构的总体设计以及系统功能模块的总体设计，并对数据获取功能模块的子模块以及数据可视化功能模块的功能结构做出了明确的划分，为系统详细设计与实现阶段的工作备好条件。 第五章 对本系统的详细设计和实现过程做出了说明，进行了功能模块的详细设计并完成了系统的开发实现工作，对于数据获取模块以及数据可视化模块进行了详细的设计实现和 功能说明。 第六章 进行了系统测试和发布工作，首先从理论上对软件测试的目标和方法进行了简要介绍，之后设计了多个测试用例对系统的相关功能模块进行了详细的测试并对测试结果进行了分析，最后将本系统通过 TOMCAT部署到了 PC 服务器上，完成了系统发布的过程。 第七章 对于本次系统设计开发过程进行了归纳和总结，阐述了本次系统开发的意义并分析了下一步需要进行的工作，最后对网络舆情分析系统的发展方向进行了展望。
