新闻爬虫系统的设计与实现毕业论文【范本模板】

admin管理员组

文章数量:1530895

2024年4月7日发(作者：)

山东科技大学本科毕业设计（论文）

摘要

随着计算机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

I

山东科技大学本科毕业设计（论文）

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，radio 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 system。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 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 conduct 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， title, 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

II

本文标签： 新闻系统爬虫数据