位置:成果数据库 > 期刊 > 期刊详情页
基于优先级队列的分布式多主题爬虫
  • ISSN号:1000-7024
  • 期刊名称:《计算机工程与设计》
  • 时间:0
  • 分类:TP311.52[自动化与计算机技术—计算机软件与理论;自动化与计算机技术—计算机科学与技术]
  • 作者机构:[1]武汉大学计算机学院,湖北武汉430072
  • 相关基金:国家自然科学基金项目(61272109)
中文摘要:

在分布式环境中,为提高资源利用率和网页抓取效率,提出一种基于优先级队列的分布式多主题爬虫调度算法PQ‐MCSA。利用基于缓存的扩展式哈希算法对整体任务集进行切割,按照URL逻辑二级节点哈希映射法,将分割后的子任务集均匀地分配到各处理节点中;利用单处理节点的计算能力结合构建的任务优先级队列进行不同主题任务的调度。该算法改善了传统分布式爬虫对单节点的处理资源调度不充分、多主题任务爬取不均匀等缺点。实际项目的应用结果表明,使用该方法能够有效地提高各主题爬取结果的均衡度,具有较强的实用性。

英文摘要:

To improve resource utilization and efficiency of Web crawling in a distributed environment ,a priority queue based scheduling algorithm for distributed multi‐topic crawler named PQ‐MCSA was proposed .The cache‐based extendible hashing al‐gorithm was utilized to cut the task set and then the divided tasks were distributed to each processing node evenly according to the URL secondary logical node hashing algorithm .The computing ability of single processing node and task priority queue previous‐ly constructed were combined to schedule different topic tasks .This algorithm overcomes shortcomings of the traditional distri‐buted crawler such as insufficient scheduling of single node resource and uneven crawling of multi‐topic tasks .The application in an actual project shows that this method can improve the balance degree of topic crawl results efficiently ,and has stronger practi‐cal value .

同期刊论文项目
同项目期刊论文
期刊信息
  • 《计算机工程与设计》
  • 北大核心期刊(2011版)
  • 主管单位:中国航天科工集团
  • 主办单位:中国航天科工集团二院706所
  • 主编:汤铭瑞
  • 地址:北京142信箱37分箱
  • 邮编:100854
  • 邮箱:ced@china-ced.com
  • 电话:010-68389884
  • 国际标准刊号:ISSN:1000-7024
  • 国内统一刊号:ISSN:11-1775/TP
  • 邮发代号:82-425
  • 获奖情况:
  • 中国科学引文数据库来源期刊,中国学术期刊综合评价数据库来源期刊,中国科技论文统计与分析用期刊
  • 国内外数据库收录:
  • 波兰哥白尼索引,美国剑桥科学文摘,英国科学文摘数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版)
  • 被引量:45616