Luận văn:Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin

pdf
Số trang Luận văn:Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 60 Cỡ tệp Luận văn:Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 1 MB Lượt tải Luận văn:Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 0 Lượt đọc Luận văn:Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 0
Đánh giá Luận văn:Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin
4.7 ( 19 lượt)
Nhấn vào bên dưới để tải tài liệu
Đang xem trước 10 trên tổng 60 trang, để tải xuống xem đầy đủ hãy nhấn vào bên trên
Chủ đề liên quan

Nội dung

Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 TRƯỜNG …………………. KHOA………………………. [\---- -----[\ Báo cáo tốt nghiệp Đề tài: TÌM HIỂU VỀ TRÌNH THU THẬP WEB VÀ XÂY DỰNG TRANG WEB VÀ XÂY DỰNG TRANG TỔNG TỔNG HỢP THÔNG TIN I Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 LỜI CẢM ƠN Tôi xin bày tỏ lòng biết ơn sâu sắc của mình đến thầy Hoàng Xuân Huấn, thuộc bộ môn Khoa học máy tính, khoa Công nghệ thông tin, trường Đại học Công Nghệ, ĐHQGHN. Trong quá trình thực hiện khóa luận, thầy đã nhiệt tình giúp đỡ, giải đáp các thắc mắc tạo động lực giúp tôi hoàn thành khóa luận tốt nghiệp này. Tôi cũng xin được bày tỏ lời cảm ơn tới các thầy cô trong bộ môn nói riêng và trong khoa Công nghệ thông tin nói chung đã nhiệt tình giảng dạy để giúp chúng tôi có được như ngày hôm nay. Cuối cùng là lời cảm ơn tới gia đình, bạn bè những người luôn sát cánh bên tôi những lúc khó khăn, luôn ủng hộ giúp đỡ để tôi hoàn thành khóa luận này. II Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 TÓM TẮT NỘI DUNG Do nhu cầu thu thập thông tin của con người ngày càng tăng, lượng thông tin trên internet ngày càng phong phú nên vấn đề tổng hợp thông tin ngày càng trở nên bức thiết. Với một lượng dữ liệu lớn việc thu thập bằng tay tốn rất nhiều công sức, và không đạt hiệu quả cao, chính vì thế cần một công nghệ có thể tổng hợp thông tin một cách tự động và trình thu thập web đã ra đời. Đề tài khóa luận đặt ra vấn đề tìm hiểu về trình thu thập thông tin trên web và bước đầu sẽ xây dựng một ứng dụng có khả năng tổng hợp thông tin tự động từ trang báo điện tử lớn là trang Dân trí (http://dantri.com.vn). Ứng dụng được viết bằng ngôn ngữ lập trình PHP tương tác với cơ sở dữ liệu mySQL và được xây dựng dựa trên các tiêu chí: tốc độ thu thập nhanh, cơ sở dữ liệu gọn nhẹ, đảm bảo tính toàn vẹn của tài liệu gốc. III Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 MỤC LỤC MỞ ĐẦU ............................................................................................................1 CHƯƠNG 1. TÌM HIỂU VỀ TRÌNH THU THẬP WEB.................................3 1.1. GIỚI THIỆU VỀ TRÌNH THU THẬP WEB ..............................................3 1.2. CÁCH XÂY DỰNG MỘT HẠ TẦNG THU THẬP...................................4 1.2.1. Frontier .................................................................................................6 1.2.2. Lược sử và kho lưu trữ trang.................................................................7 1.2.3. Cách lấy trang........................................................................................8 1.2.3.1. Tiêu chuẩn loại trừ robot ................................................................9 1.2.4. Bóc tách trang......................................................................................10 1.2.4.1. Tiêu chuẩn trích xuất URL ...........................................................11 1.2.4.2. Mô hình thẻ HTML dạng cây .......................................................12 1.2.5. Trình thu thập đa luồng .......................................................................13 1.3. CÁC CHIẾN LƯỢC THU THẬP DỮ LIỆU ............................................15 1.3.1. Chiến lược thu thập dữ liệu theo chiều sâu .........................................16 1.3.2. Chiến lược thu thập dữ liệu theo chiều rộng .......................................16 1.3.3. Chiến lược thu thập dữ liệu theo ngẫu nhiên ......................................17 1.3.4. Chiến lược thu thập dữ liệu theo lựa chọn tốt nhất ngây thơ. .............17 1.4. ĐÁNH GIÁ CỦA TRÌNH THU THẬP.....................................................19 1.4.1. Độ quan trọng của trang web ..............................................................20 1.4.2. Phân tích tổng quát ..............................................................................21 1.4.2.1. Thước đo độ chính xác .................................................................22 1.4.2.2. Thước đo độ hoàn chỉnh ...............................................................22 CHƯƠNG 2. XÂY DỰNG WEBSITE TỔNG HỢP THÔNG TIN ...............25 2.1. CÁC KIẾN THỨC NỀN TẢNG ...............................................................25 IV Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 2.1.1. Mạng toàn cầu .....................................................................................25 2.1.2. Giao thức truyền tải siêu văn bản........................................................28 2.1.3. Ngôn ngữ đánh dấu siêu văn bản ........................................................28 2.2. CÁC CÔNG NGHỆ LIÊN QUAN ...........................................................30 2.2.1. Ngôn ngữ lập trình PHP ......................................................................30 2.2.1.1. Biểu thức chính quy......................................................................31 2.2.1.2. Các hàm xử lý chuỗi .....................................................................34 2.2.1.2.1. Tìm kiếm chuỗi trong chuỗi...................................................34 2.2.1.2.2. Tìm vị trí của chuỗi con .........................................................34 2.2.1.2.3. Hàm so sánh chuỗi .................................................................34 2.2.1.2.4. Kiểm tra chiều dài của chuỗi .................................................35 2.2.2. MySQL................................................................................................35 2.2.3. Một số công nghệ và tiện ích khác......................................................37 2.2.3.1. Add-ons firebug của firefox .........................................................37 2.2.3.2. Ajax...............................................................................................37 2.3. PHÂN TÍCH ..............................................................................................38 2.3.1. Cấu trúc bài viết trong trang báo điện tử.............................................38 2.3.2. Các cách thu thập bài viết ...................................................................42 2.3.2.1. Cách làm truyền thống..................................................................42 2.3.2.1.1. Các bước thực hiện ................................................................42 2.3.2.1.2. Nhận xét .................................................................................44 2.3.2.2. Cách làm mới................................................................................45 2.3.2.2.1. Các bước thực hiện ................................................................45 2.3.2.2.2. Nhận xét .................................................................................46 2.4. THIẾT KẾ..................................................................................................47 2.4.1. Cấu trúc cơ sở dữ liệu..........................................................................47 V Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 2.4.1.1. Danh sách các bảng ......................................................................47 2.4.1.2. Chi tiết các bảng ...........................................................................47 2.4.2. Phần quản trị cơ sở dữ liệu..................................................................49 2.4.3. Phần giao diện chính trang web ..........................................................50 CHƯƠNG 3: KẾT LUẬN .................................................................................50 3.1. CÁC KẾT QUẢ ĐÃ ĐẠT ĐƯỢC ............................................................51 3.2. HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI .....................................................51 TÀI LIỆU THAM KHẢO..................................................................................53 VI Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 BẢNG DANH MỤC CÁC HÌNH MINH HỌA Hình 1: Một vòng thu thập web cơ bản ..................................................................5 Hình 2: Mô hinh cây tương ứng với một mã nguồn HTML.................................12 Hình 3: Một mô hình trình thu thập đa luồng.......................................................14 Hình 4: Hình minh họa về độ hoàn chỉnh và độ chính xác ..................................21 Hình 5: Hình mình họa thu hồi mục tiêu ..............................................................23 Hình 6: So sánh giữa thuật toán breadth-first và naive best-first .........................24 Hình 7: World wide web.......................................................................................26 Hình 8. Tương tác client và server .......................................................................28 Hình 9: Add-ons firebug của trình duyệt firefox..................................................37 Hình 10: Cấu trúc phần bài viết............................................................................39 Hình 11: Cấu trúc phần chuyên mục ....................................................................40 Hình 12: Cấu trúc phần trang chủ.........................................................................41 Hình 13: Giao diện phần quản trị cơ sở dữ liệu....................................................49 Hình 14: Giao diện của trang web tổng hợp thông tin .........................................50 VII Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 MỞ ĐẦU Ngày nay nhờ sự bùng nổ của công nghệ thông tin, lịch sử nhân loại đã bước sang một trang mới. Những thành tựu của ngành công nghệ thông tin là vô cùng to lớn, nó đã chi phối và làm thay đổi mọi mặt của đời sống xã hội, làm cho cuộc sống của con người văn minh, hiện đại hơn. Sự ra đời của internet chính là bước tiến vĩ đại của nhân loại, là yếu tố quan trọng bậc nhất chi phối cuộc sống của chúng ta ngày nay. Nhờ có internet thế giới trở nên ‘phẳng’ hơn, ở mọi nơi trên trái đất chúng ta đều có thể học tập và tìm kiếm thông tin. Theo guồng quay của cuộc sống, thế giới internet ngày càng rộng lớn và phong phú hơn. Cứ mỗi phút trôi qua có thêm hàng triệu trang web được sinh ra để làm giàu cho vốn tài nguyên tri thức của nhân loại. Nhưng cũng chính vì thế mà việc chọn lọc, tìm kiếm thông tin lại trở nên khó khăn hơn. Với kho dữ liệu đồ sộ như internet, vấn đề trích xuất và tổng hợp thông tin đã trở thành vấn đề thực sự cấp thiết hiện nay. Nếu giải quyết được vấn đề này chúng ta sẽ loại bỏ được một chướng ngại lớn trên con đường tổng hợp thông tin của nhân loại. Đề tài khóa luận đặt ra vấn đề tìm hiểu về trình thu thập thông tin trên web và bước đầu sẽ xây dựng một ứng dụng có khả năng tổng hợp thông tin tự động từ các trang báo điện tử lớn. Đề tài nếu thành công sẽ là bước đi không nhỏ giúp cho việc tổng hợp thông tin trở nên đơn giản hơn, giảm được nhiều chi phí công sức so với việc tổng hợp thủ công, và là tiền đề để xây dựng nên một hệ thống máy tìm kiếm, giống như google, cho người Việt Nam. Nội dung của khóa luận sẽ tập trung vào các mục tiêu chính sau: - Đưa ra được một cái nhìn tổng quát về trình thu thập web (web crawler) - Xây dựng một ứng dụng website tổng hợp thông tin có khả năng thu thập các bản tin từ các trang báo lớn như Dân trí. Để giải quyết được các mục tiêu này, khóa luận được chia thành ba chương lớn: Chương 1: Tìm hiểu về trình thu thập web Trong chương này, chúng ta sẽ lần lượt tìm hiểu các khái niệm cơ bản trong trình thu thập web. Phần lớn nội dung trong chương này sẽ đi sâu vào việc tìm hiểu các thành phần cấu thành nên một trình thu thập, các chiến lược thu thập dữ liệu, việc đánh giá của trình thu thập đối với trang web. Qua đó chúng ta sẽ có một bức tranh chung 1 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 về trình thu thập web, và có thể hiểu hơn về các giá trị thực tiễn mà nó mang lại trong đời sống của con người. Chương 2: Xây dựng ứng dụng website tổng hợp thông tin Phần đầu chương sẽ trình bày về các kiến thức nền tảng và các công nghệ liên quan, ở phần tiếp theo là các đánh giá phân tích và các giải pháp nhằm nâng cao hiệu suất của trình thu thập, phần cuối chương là việc hiện thực hóa ứng dụng thông qua việc xây dựng hệ thống cơ sở dữ liệu và thiết kế giao diện website. Cũng trong phần này tôi sẽ nêu ra hai cách thu thập thông tin. Một là cách làm phổ biến hiện nay tôi gọi là cách làm truyền thống, một là cách làm mới tôi tìm ra. Cách làm mới này tối ưu hơn và có thể giải quyết được các hạn chế trong cách làm truyền thống. Chương 3: Kết luận Phần kết luận cũng là phần cuối của khóa luận sẽ nhìn lại những điều đã làm được trong khóa luận này, nêu lên những vấn đề còn vướng mắc, từ đó đề ra hướng phát triển tiếp theo cho đề tài. 2 Tìm hiểu về trình thu thập web và xây dựng trang web tổng hợp thông tin 2010 CHƯƠNG 1. TÌM HIỂU VỀ TRÌNH THU THẬP WEB 1.1. GIỚI THIỆU VỀ TRÌNH THU THẬP WEB Trình thu thập web (Web crawler) là một chương trình khai thác cấu trúc đồ thị của web di chuyển từ trang này qua trang khác. Thời kỳ đầu nó có những tên khá tượng hình như bọ web, rô-bốt, nhện và sâu, nhưng ngày nay tên gọi phổ biến nhất là vẫn là trình thu thập web [1]. Mặc dù vậy cụm từ ‘thu thập’ không lột tả được hết tốc độ của những chương trình này, vì chúng có tốc độ làm việc đáng kinh ngạc, có thể thu thập dữ liệu lên đến hàng chục ngàn trang trong vòng một vài phút. Từ thời kỳ đầu, một động lực quan trọng thúc đẩy quá trình phát triển của việc thiết kế trình thu thập web là lấy được nội dung các trang web và thêm chúng hoặc đường dẫn của chúng vào một kho lưu trữ trang – một kiểu kho lưu trữ có thể dùng để phục vụ cho các ứng dụng cụ thể trong công cụ tìm kiếm web (search engine). Các trình thu thập thường bắt đầu bằng cách chọn một số các đường dẫn (URL) ứng với các trang web sẽ ghé thăm đầu tiên, các trang này được gọi là các trang hạt giống. Khi ghé thăm một trang hạt giống, trình thu thập sẽ đọc nội dung trang web, lọc ra tất cả các siêu liên kết (hyperlink) có trong trang web đó và đưa các URL tương ứng với chúng vào một danh sách gọi là biên giới (frontier). Dựa vào danh sách này, trình thu thập tiếp tục quá trình duyệt đệ quy để ghé thăm tất cả các URL chưa được duyệt. Quá trình này chỉ dừng lại khi trình thu thập đã thu thập đủ số trang yêu cầu hoặc frontier là rỗng, tức là không còn URL để duyệt. Tuy mô tả này có vẻ đơn giản nhưng đằng sau chúng là khá nhiều vấn đề hóc búa liên quan đến kết nối mạng, bẫy nhện, tiêu chuẩn trích xuất URL, chuẩn hóa các trang HTML, bóc tách nội dung trang HTML vv... Ở phần sau của khóa luận tôi sẽ lần lượt trình bày đến các vấn đề này và hướng giải quyết của chúng. Sau khi đã có được một danh sách các URL dùng cho việc thu thập, ta sẽ thực hiện quá trình lấy trang. Tất cả các trang được lấy một lần và được lưu vào một kho lưu trữ giống như cơ sở dữ liệu của công cụ tìm kiếm, đến đây không cần thu thập thêm. Tuy nhiên web là một thực thể năng động với các không gian con liên tục phát triển và thay đổi nhanh một cách chóng mặt, vì thế thông tin phải liên tục được thu thập để giúp các ứng dụng luôn cập nhật, ví dụ như bổ sung các trang mới loại bỏ các trang đã bị xóa, di chuyển hoặc cập nhật các trang bị sửa đổi. 3
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.