网络Flash爬虫搜索方法比较研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇网络Flash爬虫搜索方法比较研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要 首先介绍Flash资源的优点及网络中的存在形式、网络爬虫的定义及原理、爬行网页面临的问题；其次提出一种新的搜索方法，与传统网络爬虫进行比较，验证新搜索方法的优势；最后指出下一步工作的发展方向。

关键词 flash；爬行器；搜索方法

中图分类号：TP393.01 文献标识码：B

文章编号：1671-489X（2014）14-0032-03

Flash资源以其生动、易于交互和制作简单等特点越来越受到人们的追捧。但是随着网络技术的快速发展，Flash资源在网络中的存在形式变得格外复杂，传统搜索引擎对网络Flash资源的获取不能到达令人满意的水平。作为搜索引擎的基础组成部分，网络爬虫的作用必须得到人们足够的重视，所以，改进网络爬虫的搜索方法越来越受到人们的重视。本文提出一种新的搜索方法，与传统爬虫的基本组成结构和搜索结果进行比较，验证新搜索方法的优势。

1 网络Flash资源的优点及存在形式

网络Flash资源的优点

1）Flas通常比较短。因为只占有有限的网络带宽，通常是几兆字节大小，Flas平均时间比起传统动画会更短一些。

2）Flas能够与观看者产生互动，满足观看者更多需求。观看者可以通过一定的操作来改变动画的播放进程，传统的动画并不具有这样的特性。

3）Flas的制作相对传统动画更简易。Flas制好者能够相对比较容易地转变为制作者，他们只需要掌握一些与动画制作相关的软件就可以尝试制作Flas。Flas的制作需要在电脑上进行，Flash制作软件需要的条件比较简单，对硬件要求也比较低，所以不需要较大的投入。

4）Flas占用空间较小。Flas可以使用矢量图形，所以使得文件所用空间较小；Flas完成后可以上传到网上，互联网用户可以欣赏和下载，能够以较快的速度在网络中传播，这样的一个优点让Flas迅速在网络上风靡起来。用传统方法制作的一些动画，因为占用的空间比较大，在网络上传播起来就比较困难。

5）Flas受制作者水平和技术等原因的限制。不可否认的是，互联网上的不少Flas还是比较粗糙、简单的，但是Flas的确有还在发展一些新的视觉效果，如三维效果，相信未来将有新的发展。它比起传统的动画来说更容易和智能，更符合大众口味。

6）Flas大大减少人力、材料资源的消耗，存储方式更加方便，生产成本大大降低。与此同时，Flas在制作周期上相比传统动画也会大大减少，对于相同时长的动画，用Flash技术来制作所需要的时间将会大大缩短，而用传统方法制作通常花费的时间要更长一些。

网络Flash资源的存在形式 Flash资源通常存放在Web服务器中，往往以独立的文件形式存在。传统的方式包括两种。

第一种是嵌入到网页中作为网页组成的一部分。Flas嵌入网页的方法很多，情况比较复杂，目前主要是利用标签（OBJECT和EMBED）、脚本、函数或对象将Flash资源嵌入网页，使用网页浏览器解析网页的HTTP标签和脚本，再用相应的形式显示、播放Flas。

第二种是通过网页中的锚文本链接。网页中用锚文本链接Flas很简单，可以自由下载。然而，通过Java-Script脚本展现的Flas资源作为一种丰富的存在形式，人们对它的研究还比较少。

2 网络爬虫的定义和工作原理

网络爬虫的定义 网络爬虫是搜索引擎系统结构中搜索器的俗称，又叫网络蜘蛛，是一个自动搜集网页的系统程序。它的功能是昼夜不停地在互联网中爬行，收集信息，通常从首页开始，读取网页信息，找到网页中的其他链接地址，继而找到下一个网页，再在新的网页中找到新的链接地址。这样循环往复，目的是把该网站的所有网页抓取完毕。它负责搜集新信息，更新旧信息。

网络爬虫的工作原理 当蜘蛛抓取网页，一般有两种信息收集策略。

1）以URL集合作为起始，沿着这些URL，以宽度优先、深度优先，循环往复地在Web中收集信息。它沿着网页中的超链接爬行到其他网页，循环处理，并把搜集到的全部网页保存起来。这些起始URL通常是一些很正规且包含很多链接的站点。

2）网站空间根据域名、IP地址等划分，每个网络蜘蛛负责一个子空间的穷举搜索。爬虫搜集多种多样的信息，包括网页文件（如HTML、JSP、ASPX等格式），有的网络爬虫能够处理文档（如Word、Excel、PPT等），甚至是数据库。爬虫将收集所有过滤字符格式的文档，从全文数据提取文本。每个文档都与全文文件有对应关系，包括标题、网页的URL、大小、类型和其他属性以及文本内容。

3 网络爬虫面临的问题

截止2014年1月底，中国互联网上网页数量超过1500亿个，静态网页数占59.78%，动态网页数占40.22%，其中有大量页面是重复的，每个网页的字节数大约为50 KB。关于网页数量和字节数的增长率，2013年较之2012年增幅分别为22.2%和19.0%。动态网页的存在，客户端、服务器端脚本语言的使用，使得指向相同页面的URL数量出现爆炸式增长。

以上特征使得网络爬虫面临一定的困难：首先，海量的网页信息使得网络爬虫在有限的时间内只能爬行少量网页；其次，动态网页的一些技术原因使得网络爬虫无法爬行它们。仅在中国就存在如此之多的网页，假如考虑全世界的网页，那么，世界上是不存在能索引互联网上所有网页的搜索引擎的，即使可以抓取全部的页面，也没有充足的空间来容纳。

4 网络爬虫搜索方法比较

网络爬虫的基本组成结构比较 基本组成结构比较如图1、图2所示。

网络爬虫的搜索结果比较 本实验选取的是含有Flash资源比较多且比较权威的10个网站作为种子网站，传统爬行器搜索到的Flash个数与带JS（JavaScript）脚本文件搜索的爬行器搜索到的Flash个数分别在最后两列里面，如表1所示。

实验结果分析 本实验所用带JS脚本文件搜索的爬行器不但具备传统爬行器的功能，而且可以爬行网页中包含的JS脚本文件，将JS文件下载下来然后放到网页源文件的后面，再对整体进行Flash个数的统计。本实验分别用传统爬行器和带JS脚本文件搜索的爬行器对相同的10个网站进行爬行，爬行时间为24小时，在爬行了65 626个页面之后，带JS脚本文件搜索的爬行器搜索到的Flash个数比传统爬行器搜索到的Flash个数多了4000多个。这说明JS脚本文件里面也包含了许多Flash资源，能够让网络爬虫找到更多的Flash资源；同时，CSS（层叠样式表）文件也可能包含Flash资源，假如对网页中包含的CSS文件进行搜索，也可以扩大搜索Flash资源的范围。在查找别的网络资源时也可以用这种方法，如图片、视频等，本实验为找到并下载更多的Flash资源提供参考。

5 结束语

随着Flash制作技术的蓬勃发展，其在教育教学中的作用也日益突显，有的Flash资源可以直接应用于教学，有的对教学有潜在价值。网络的迅猛发展使Flas的与共享摆脱了时间、空间的限制，已成为获取这些资源的重要途径。另一方面，海量丰富和动态更新网络资源，使得人们越来越难找到需要的Flas资源。网络爬虫技术将被用于应对互联网上越来越多的Flash资源，在找到隐藏在网页中的Flash资源方面具有很大的应用价值，对建立数字化学习资源库有很大的价值。同时，面临的挑战也很大。本文下一步的工作是找到更多的Flash资源，再下载下来以供研究。

参考文献

[1]孟祥增.多媒体网络教学资源的内容特征提取与搜索研究[J].电化教育研究，2007（12）：33-34.

[2]孙利伟，何国辉，吴礼发.网络爬虫技术的研究[J].电脑知识与技术，2010，6（15）：4112-4115.

[3]闫晓东，王志娟，韩丽.多语言网络资源搜索新技术[M].北京：中央民族大学出版社，2012：29.

[4]陈志刚.网络Flash资源爬行器的设计与实现[D].济南：山东师范大学，2011.

[5]中国互联网络信息中心.第33次中国互联网络发展状况统计报告[DB/OL].[2014-01-31].http：//.cn/.

[6]许磊.Flas画面的视觉特征与情感研究[D].济南：山东师范大学，2012.