系统设计 & 实现
DESCRIPTION
系统设计 & 实现. 班允萌 5090379107 读李林涛学长论文 《 网页内容分析系统的设计与 实现 》 的第五章:系统设计与实现. 整体系统架构. 系统实现分三个模块. 页面抓取模块,用于获取网页 HTML 源文本; 正文抽取模块,用于从 HTML 源文本中抽取正文文本; 相似度计算模块,用于计算正文文本之间的相似度。. 网页分析流程图. 页面抓取模块. 分布式 效率 由于其他模块依赖于此模块,所以要稳定和健壮 针对不同应用,容易客户化 本 系统使用 Hadoop 的 Apache Nutch. 页面抓取模块为上 层应用提供数据支持. - PowerPoint PPT PresentationTRANSCRIPT
系统设计 & 实现班允萌5090379107
读李林涛学长论文《网页内容分析系统的设计与实现》的第五章:系统设计与实现
整体系统架构
系统实现分三个模块 页面抓取模块,用于获取网页 HTML 源文本; 正文抽取模块,用于从 HTML 源文本中抽取正
文文本; 相似度计算模块,用于计算正文文本之间的相
似度。
网页分析流程图
页面抓取模块 分布式 效率 由于其他模块依赖于此模块,所以要稳定和健
壮 针对不同应用,容易客户化 本系统使用 Hadoop 的 Apache Nutch
页面抓取模块为上层应用提供数据支持
完成网页抓取后数据库中应存储的网页信息包括:网页 URL 、网页上次修改的时间、原始 HTML 文档
数据库实现 ---HBase 高可靠性 高性能 面向列 可伸缩 / 应用可拓展 分布式存储系统 廉价
实现
Nutch 实现网页抓取
修改 Nutch 源码 vs 编写 Nutch 插件 效率 / 编译,读代码 vs 可拓展性 使用自带的 segmentReader 简单 / 效率低
正文抽取模块 作用:去噪,留下与主题相关的文本内容 目前正文抽取算法很多 没有能对所有网页适用的 高度可拓展性,可以增加或者替换已有的算法
实现过程 编码的识别与转换 正文抽取
基于行块分布函数的通用网页正文抽取方法
相似度计算模块 相似度算法复杂 可拓展性 特定的应用上下文,不适于所有应用,视应用
情况而定
中文分词的实现 使用 IKSegmenter 类提供的方法实现中文分
词的使用接口
词语权重计算 ---TF-IDF 权重
词频出现频率越高的词越重要
文本相似度计算
CosinSimilarityGenerator 类提供了余弦相似度计算的实现。它计算文本相似度的步骤如下:
调用 TextTokenizer 的 parse() 方法对两段文本分词;
调用 WordWeightCalculator 的 calc() 方法得到每个词语的权重;
对于两段文本的 Token 数组,去掉 text 域重复的 Token ;
构造两段文本的特征向量; 求出两个向量的单位向量,计算特征向量单位
向量的余弦相似度。
Thank you