网络资源收集工具详细设计文档

标签：

1．引言

1.1编写目的

将之前会议中记录的设计要点进行总结和规划，供团队内开发者和测试人员进行代码编写与测试。

1.2项目背景

软件名: 网络资源收集工具

本软件任务:为下一组元数据抽取和整理工具进行对接，为下一组提供其所需的各类海量数据。

2．总体设计

2.1需求概述

将35w+个符合条件的网页，问答，文章放入数据库，具体请参见需求文档。

2.2软件结构

3．程序块ConnectServer描述

3.1功能

连接数据库服务器，进行插入以及查询数据库操作。

3.2性能

快速打开和关闭数据库连接，执行sql查询和插入时不会出现连接死锁。

3.3输入输出项目

3.4算法

Sql语句有:

1、得到全部网页个数

declare @a int select @a=dbo.getSum_webpage(‘webpage‘) select num=@a

2、得到全部问答页个数

declare @a int select @a=dbo.getSum_quiz(‘quiz‘) select num=@a

3、得到全部pdf个数

declare @a int select @a=dbo.getSum_pdf(‘pdf‘) select num=@a

4、获取数据库最大ID号

select max(id) from fileinfo

3.5程序逻辑

3.6接口

3.7测试要点

SQLException的捕获

异步更新的互斥性

查询的准确性

4．程序块HtmlParserTool描述

4.1功能

过滤并获取指定网址的子链接，同时更新网站子链接的修改时间。

4.2性能

能快速地过滤并获取指定网址的子链接，同时获得网站子链接的修改时间。

4.3输入输出项目

4.4算法

利用OrFilter筛选出所有 <a> 标签和 <frame> 标签（满足两者之一即可被选中），再利用标签类别过滤（LinkTag.class => <a>标签）。本程序中，过滤了后缀为"mp4"，"rar"，"wmv"，"ppt"，"zip"，"gz"，"aspx"的文件。

4.5程序逻辑

4.6接口

4.7测试要点

指定一个链接，其子链接中有各种指定的需要过滤的类型，使用程序进行爬取，查看是否如预期一般爬取了所有的子链接并且将指定类型文件过滤掉未爬取。

5．程序块DownLoadFile描述

5.1功能

实现精确爬取指定的链接，从该链接及其所有子链接中将指定类型的文件下载到本地，并更新数据库。

5.2性能

采用多线程爬取，对于不同网站，采用不同爬取措施，少量国外网站因为网路问题和权限问题需要通过暂停线程避免异常，大部分网站可以实现快速爬取。而且此次版本解决了因为异常造成的线程中断的问题，可以持续不断地大量爬取。

5.3输入输出项目

5.4算法

根据输入的url，爬取该网址下所有子链接，对于爬取到的文件，符合过滤器条件的则滤去，不符合的则下载到本地并以指定的方式命名，同时插入数据库。

每个网站的爬取占用一个线程，因为不同网站结构和下载速度不同，故将同一网站的爬取放在同一个线程。每个线程扫描一个问题列表页面的子链接，并下载子页面。每个线程设定一个标记变量，代表当前网站正在爬取中或者处于空闲。爬取某个网站遇到异常，或者当前线程结束，就将标记变量置为空闲状态，这样做解决了多次遇到异常后，所有网站仍处于工作状态导致爬取无法继续的bug。

5.5程序逻辑

5.6接口

5.7测试要点

爬取是否会中断，中断后是否有重连措施；

爬取的速度；

本地文件与数据库的一致性。

SQLException, HttpException, IOException的捕获；

异步更新的互斥性；

6．程序块DownloadQuiz描述

6.1功能

         实现精确爬取quiz界面，从特定网站中筛选出相应的问答页面，下载到本地，并更新数据库。

6.2性能

         采用多线程爬取，对于不同网站，采用不同爬取措施，少量国外网站因为网路问题和权限问题需要通过暂停线程避免异常，大部分网站可以实现快速爬取。而且此次版本解决了因为异常造成的线程中断的问题，可以持续不断地大量爬取。

6.3输入输出项目

6.4算法

         1.选择国内外知名问答网站：搜搜问问，百度知道，stackoverflow，德问，博客园等。确定这些网站的”已解决问题“列表。

         2.扫描”已解决问题列表“，根据字符串匹配，确定列表下的问答子页面的链接。调用URL类的openstream方法，下载问答页面源代码。

         3.多线程方面，每个网站的爬取占用一个线程，因为不同网站结构和下载速度不同，故将同一网站的爬取放在同一个线程。每个线程扫描一个问题列表页面的子链接，并下载子页面。每个线程设定一个标记变量，代表当前网站正在爬取中或者处于空闲。爬取某个网站遇到异常，或者当前线程结束，就将标记变量置为空闲状态，这样做解决了多次遇到异常后，所有网站仍处于工作状态导致爬取无法继续的bug。

6.5程序逻辑

6.6接口

6.7测试要点

SQLException, HttpException, IOException的捕获；

异步更新的互斥性；

线程的安全性与健壮性，爬取是否会中断；

爬取的速度；

本地文件与数据库的一致性。

7．程序块DownloadPdf描述

7.1功能

         实现精确爬取pdf页面，从给定网站中筛选出pdf页面，下载到本地，并更新数据库。

7.2性能

         由于服务器网速限制，采用多线程的方式对速度基本没有改善，故采用单线程爬取，对于不同网站，采用不同爬取措施，对于1M以内的pdf页面可以实现快速爬取。

7.3输入输出项目

7.4算法

         1.选择国内外知名大学课程网站：stanford、berkeley、buffalo、MIT等等。

         2.扫描各个大学网站的课程网站页面，获取lecture、handout、publications等链接，将符合条件的pdf下载到本地。

         3.下载文件方面需要使用输入输出流，不能逐行复制网页源代码。

7.5程序逻辑

7.6接口

7.7测试要点

SQLException, HttpException, IOException的捕获；

爬取的速度；

本地文件与数据库的一致性。

8．程序块DownloadDoc描述

8.1功能

         实现精确爬取doc页面，从给定网站中筛选出doc页面，下载到本地，并更新数据库。

8.2性能

         由于服务器网速限制，采用多线程的方式对速度基本没有改善，故采用单线程爬取，对于不同网站，采用不同爬取措施，对于1M以内的pdf页面可以实现快速爬取。

8.3输入输出项目

8.4算法

         1.选择国内外知名大学课程网站：stanford、berkeley、buffalo、MIT等等。

         2.扫描各个大学网站的课程网站页面，获取lecture、handout、publications等链接，将符合条件的doc下载到本地。

         3.下载文件方面需要使用输入输出流，不能逐行复制网页源代码。

8.5程序逻辑

8.6接口

8.7测试要点

SQLException, HttpException, IOException的捕获；

爬取的速度；

本地文件与数据库的一致性。

9．程序块DownloadPPt描述

9.1功能

         实现精确爬取ppt页面，从给定网站中筛选出ppt页面，下载到本地，并更新数据库。

9.2性能

         由于服务器网速限制，采用多线程的方式对速度基本没有改善，故采用单线程爬取，对于不同网站，采用不同爬取措施，对于1M以内的pdf页面可以实现快速爬取。

9.3输入输出项目

9.4算法

         1.选择国内外知名大学课程网站：stanford、berkeley、buffalo、MIT等等。

         2.扫描各个大学网站的课程网站页面，获取lecture、handout、publications等链接，将符合条件的ppt下载到本地。

         3.下载文件方面需要使用输入输出流，不能逐行复制网页源代码。

9.5程序逻辑

9.6接口

9.7测试要点

SQLException, HttpException, IOException的捕获；

爬取的速度；

本地文件与数据库的一致性。

10．程序块LinkQueue描述

10.1功能

管理所有待访问和已访问的网址链接，并服务于PageRank排序，并能产出TOP10个最热网页。

10.2性能

队列可以承受足够数量的网址存储空间，出队与入队可以快速完成，使用hash表加速到O(1)的查询复杂度。

10.3输入输出项目

10.4算法

核心思想有2点：

1.如果一个网页被很多其他网页链接到的话说明这个网页比较重要，也就是pagerank值会相对较高；

2.如果一个pagerank值很高的网页链接到一个其他的网页，那么被链接到的网页的pagerank值会相应地因此而提高。

下面是一张来自WikiPedia的图，每个球代表一个网页，球的大小反应了网页的pagerank值的大小。指向网页B和网页E的链接很多，所以B和E的pagerank值较高，另外，虽然很少有网页指向C，但是最重要的网页B指向了C，所以C的pagerank值比E还要大。

10.5程序逻辑

10.6接口

10.7测试要点

海量数据承受力。

获取待访问网址速度。

热度排序准确性。

11．程序块Keyword描述

11.1功能

过滤符合过滤条件的网页。

11.2性能

过滤速度稳定。

11.3输入输出项目

11.4算法

若页面中不含关键词则满足过滤条件。

11.5程序逻辑

11.6接口

11.7测试要点

获取网页纯文本速度。

关键词筛选是否准确。

12．程序块MyCrawler描述

12.1功能

通用型爬取、聚集型爬取、综合型爬取、问答页爬取、pdf爬取、doc爬取、ppt爬取功能的入口。

12.2性能

海量数据爬取速度可以接受。

问答页筛选的准确性。

12.3输入输出项目

12.4程序逻辑

12.5接口

12.6测试要点

FileNotFoundException、IOException、InterruptedException、InstantiationException、IllegalAccessException、UnsupportedLookAndFeelException的捕获

爬取是否会中断，中断后是否有重连措施；

爬取的速度需要稳定；

本地文件与数据库的一致性。

13．数据库SQL Server描述

13.1功能

通过管理数据库表[yuanhang].[dbo].[fileinfo]，为下一组提供其所需的各类海量数据的查询服务。

13.2性能

数据查询和插入的速度可以接受。

13.3数据库基本表的定义

13.4标量值函数设计

1．dbo.getSum_doc

得到所有doc的数目

USE [yuanhang]

GO

/****** Object:  UserDefinedFunction [dbo].[getSum_doc]    Script Date: 01/13/2015 18:00:51 ******/

SET ANSI_NULLS ON

GO

SET QUOTED_IDENTIFIER ON

GO

create function [dbo].[getSum_doc] (@a nchar(10))

returns int

as begin

    if((select COUNT(pagetype) from fileinfo where pagetype=‘doc‘)!=0)

    begin

       return (select COUNT(pagetype) from fileinfo where pagetype=‘doc‘)

    end

    return 0

end

2．dbo.getSum_pdf

得到所有pdf的数目

USE [yuanhang]

GO

/****** Object:  UserDefinedFunction [dbo].[getSum_pdf]    Script Date: 01/13/2015 18:03:40 ******/

SET ANSI_NULLS ON

GO

SET QUOTED_IDENTIFIER ON

GO

create function [dbo].[getSum_pdf] (@a nchar(10))

returns int

as begin

    if((select COUNT(pagetype) from fileinfo where pagetype=‘pdf‘)!=0)

    begin

       return (select COUNT(pagetype) from fileinfo where pagetype=‘pdf‘)

    end

    return 0

end

3．dbo.getSum_ppt

得到所有ppt的数目

USE [yuanhang]

GO

/****** Object:  UserDefinedFunction [dbo].[getSum_ppt]    Script Date: 01/13/2015 18:03:55 ******/

SET ANSI_NULLS ON

GO

SET QUOTED_IDENTIFIER ON

GO

create function [dbo].[getSum_ppt] (@a nchar(10))

returns int

as begin

    if((select COUNT(pagetype) from fileinfo where pagetype=‘ppt‘)!=0)

    begin

       return (select COUNT(pagetype) from fileinfo where pagetype=‘ppt‘)

    end

    return 0

end

4．dbo.getSum_quiz

得到所有quiz的数目

USE [yuanhang]

GO

/****** Object:  UserDefinedFunction [dbo].[getSum_quiz]    Script Date: 01/13/2015 18:04:07 ******/

SET ANSI_NULLS ON

GO

SET QUOTED_IDENTIFIER ON

GO

create function [dbo].[getSum_quiz] (@a nchar(10))

returns int

as begin

    if((select COUNT(pagetype) from fileinfo where pagetype=‘quiz‘)!=0)

    begin

       return (select COUNT(pagetype) from fileinfo where pagetype=‘quiz‘)

    end

    return 0

end

5．dbo.getSum_webpage

得到所有webpage的数目

USE [yuanhang]

GO

/****** Object:  UserDefinedFunction [dbo].[getSum_webpage]    Script Date: 01/13/2015 18:04:19 ******/

SET ANSI_NULLS ON

GO

SET QUOTED_IDENTIFIER ON

GO

create function [dbo].[getSum_webpage] (@a nchar(10))

returns int

as begin

    if((select COUNT(pagetype) from fileinfo where pagetype=‘webpage‘)!=0)

    begin

       return (select COUNT(pagetype) from fileinfo where pagetype=‘webpage‘)

    end

    return 0

end

13.5触发器设计

为了防止数据库中出现具有重复域名的网页，需要在每次插入数据时设置触发器使得每次插入的数据中的域名不会与数据库中任意一项相同。

SET ANSI_NULLS ON

GO

SET QUOTED_IDENTIFIER ON

GO

-- =============================================

-- Author:    <LYP>

-- Create date: <2014.12.27>

-- Description:  

-- =============================================

CREATE TRIGGER tgr_classes_insert_yuanhang

   ON  [yuanhang].[dbo].[fileinfo]

   AFTER INSERT

AS

BEGIN

    -- SET NOCOUNT ON added to prevent extra result sets from

    -- interfering with SELECT statements.

    declare @id int , @name nvarchar(MAX);

    --在inserted表中查询已经插入记录信息

    select @id = [id] , @name = [myUrl] from inserted;

    delete from [yuanhang].[dbo].[fileinfo]

    where [myUrl] in (select [myUrl] from [yuanhang].[dbo].[fileinfo] where [myUrl] = @name group by [myUrl])

    and [id] not in (select min([id]) from [yuanhang].[dbo].[fileinfo] where [myUrl] = @name group by [myUrl]) ;

END

13.6测试要点

数据库中是否存在myUrl列值重复的元组

插入和查询数据的速度

本地文件与数据库的一致性。

网络资源收集工具详细设计文档

标签：

原文地址：http://www.cnblogs.com/newbe/p/4189893.html