robots.txt的主要作用是告诉蜘蛛爬虫该网站下哪些内容能抓取，哪些内容不能抓取。虽然可以没有robots.txt这个文件，默认就抓取该网站的所有文件，对搜索引擎爬虫没有任何的影响，但是如果你想控制蜘蛛的检索间隔，你就必须用robots.txt来控制。robots.txt不是一种规范，是约定俗成...
分类：
其他好文 时间：
2014-05-26 13:04:58
阅读次数：
228
产品介绍·WiFi安全·产品动态·WiFi新闻·论坛热帖WiFi万能钥匙PC简介：
WiFi万能钥匙PC是一款自动连接用户共享的免费WiFi热点软件，是无线路由器流量分享、连接管理必备利器，非密码破解工具。
1、WiFi万能钥匙电脑版的热点信息基于云端数据处理技术，内置千万用户分享的WiFi热点.....
分类：
其他好文 时间：
2014-05-26 10:48:42
阅读次数：
382
Insert title here定向数据爬虫和搜索引擎(Directional
Spider)设计(一) ——
元素分析前言页面定向数据抓取目的就是尽可能的抓取在互联网中获取到你感兴趣的数据。因为是定向抓取，同时需要保证对抓取的数据进行数据加工处理，做到对应的数据规范，方便后期检索。
简单的说这个...
分类：
其他好文 时间：
2014-05-26 07:28:45
阅读次数：
225
simhash与重复信息识别在工作学习中，我往往感叹数学奇迹般的解决一些貌似不可能完成的任务，并且十分希望将这种喜悦分享给大家，就好比说：“老婆，出来看上帝”……
随着信息爆炸时代的来临，互联网上充斥着着大量的近重复信息，有效地识别它们是一个很有意义的课题。例如，对于搜索引擎的爬虫系统来说，收录重复...
分类：
其他好文 时间：
2014-05-26 06:38:50
阅读次数：
258
详细可参考
（1）书箱：《这就是搜索引擎》《自己动手写网络爬虫》《解密搜索引擎打桩实践》
（2）【搜索引擎基础知识1】搜索引擎的技术架构
（3）【搜索引擎基础知识2】网络爬虫的介绍
1、...
分类：
其他好文 时间：
2014-05-26 05:45:24
阅读次数：
266
通用搜索引擎的处理对象是互联网网页，目前网页数量以百亿计，搜索引擎的网络爬虫能够高效地将海量的网页数据传下载到本地，在本地 形成互联网网页的镜像备份。它是搜索引擎系统中很关键也很基础的构件。
1. 网络爬虫本质就是浏览器http请求。
浏览器和网络爬虫是两种不同的网络客户端，都以相同的方式来获取网页：
1）首先， 客户端程序连接到域名系统...
分类：
其他好文 时间：
2014-05-26 05:26:52
阅读次数：
358
Python能够成为流行的数据处理语言，部分原因是其简单易用的字符串和文本处理功能。大部分文本运算都直接做成了字符串对象的内置方法。对于更为复杂的模式匹配和文本操作，则可能需要用到正则表达式。pandas对此进行了加强，它使你能够对数组数据应用字符串表达式和正则表达式，而且能处理烦人的缺失数据。...
分类：
编程语言 时间：
2014-05-26 03:42:44
阅读次数：
443
SGA(SYSTEM Global Area )系统全局区
l 数据高速缓存
在Oracle进行数据处理的过程中，代价最昂贵的就是物理 I/O操作了。同样的数据从内存中得到要比从磁盘上读取快的多。因此，优化Oracle的一个重要的目标就是尽可能的降低物理
I/O操作。
Oracle的 Buffer Cache用于缓存从磁盘中读取的数据，当 Oracle需要查找某些信息的时候，首先会在
...
分类：
数据库 时间：
2014-05-25 00:29:26
阅读次数：
479
（一）搜索引擎的开发一般可分为以下三大部分
1、数据采集层：一般使用爬虫获取互联网的数据，重要的开源项目有Heritrxi
2、数据分析处理层：将从互联网上获取到的数据进行提取归类、分词、语义分析得出索引得内容，等待用户查询使用，重要的开源项目有Lucene
3、视图层：也用户的交互界面，如一个网站的首页
其基本架构可参考下图：...
分类：
其他好文 时间：
2014-05-24 22:20:16
阅读次数：
349
最近有点着迷Python，学习基本语法之后，首先从爬虫开始，看了《使用python登录人人网并发表状态》一文后，很感兴趣，然后又曾经苦于人人网聊天记录删除的繁琐，于是决定写一个聊天记录一键删除的小脚本，好啦，废话不多说：#encoding:utf-8import
urllib2, urllib, c...
分类：
编程语言 时间：
2014-05-24 09:35:03
阅读次数：
390
