一种主动发现网络地理信息服务的主题爬虫

        摘要：地理信息服务已成为分布式环境下获取地理数据的重要来源，从海量的网络资源中找到地理信息服务，是共享与互操作地理数据的基础。目前，地理信息服务主动搜索主要采用通用搜索引擎的接口或者通用爬虫的抓取方式，但这2种方式存在搜索效率低、搜索结果可用性差等不足。针对这一问题，本文设计了一种搜索地理信息服务的主题爬虫。该算法在最佳优先搜索的基础上进行了改进，综合考虑网页内容的主题相关度和链接文本的主题相关度确定链接优先级，优先爬取与地理信息服务相关的链接，并通过舍弃无关网页中的无关链接，减少无效爬取，进而提高搜索效率。此外，本文采用关键词匹配结合能力文档探测的方式识别地理信息服务，有效筛选出可用的地理信息服务，提高了服务搜索结果的可利用率。最后，本文以OGC WMS为实例，实现爬虫算法的原型系统并进行实验，实验证明该算法有效可行。