针对上述问题,本文以燕山大学校园网为研究对象,在分析了网络搜索引擎的 原理、核心模块和运行流程的基础上,探索性地研究并实现了一个在Linux平台下 基于Python技术的面向校园网的原型搜索引擎。
首先,本文给出了搜索引擎的简要工作流程,介绍搜索引擎屮的一些关键的技 术,并着重分析了目前广泛运用的BM25搜索引擎检索模型。
其次,通过使用基于Python语言的Scrapy开源爬虫框架,BeautifulSoup网页解 析库,对搜索引擎的爬虫模块进行开发,指出了 Scrapy框架原有的URL去重方法会 导致针对大规模网站抓取时,内存耗费过大的问题,并提出了一种使用布隆过滤器 对Scrapy爬虫框架的URL去重功能进行改进的方案。同时,根据实际经验,提出了 两种防止爬虫被ban的策略。
再次,利用基于Python语言的Whoosh索引检索库,对本系统索引检索模块进 行开发。针对Whoosh对中文分词效果不好的问题,提出了使用jieba开源分词组件 来对Whoosh的中文分词功能进行改进。通过使用基于Python语言的Flask框架,来 实现用户界面,使用户可以通过网页端使......
2023-02-17 22:48:46
35.92MB
1