網(wǎng)頁采集的第一步是要確定采集對(duì)象,政府網(wǎng)頁歸檔保存的信息采集對(duì)象是域名中含有“gov.cn”的政府網(wǎng)站,為確保政府網(wǎng)頁的采集質(zhì)量,需要對(duì)目標(biāo)網(wǎng)站進(jìn)行評(píng)價(jià),將那些信息規(guī)模大、原生性信息多、更新頻繁的政府網(wǎng)站選定為采集對(duì)象。在確定要采集的目標(biāo)政府網(wǎng)站之后,還應(yīng)根據(jù)實(shí)際需求選擇相應(yīng)的采集方式。完整性采集和選擇性采集是目前比較常用的網(wǎng)絡(luò)資源采集方式,它們各有優(yōu)缺點(diǎn),為了彌補(bǔ)其各自的不足,可以實(shí)現(xiàn)兩種采集方式的優(yōu)勢(shì)互補(bǔ),采用融合二者優(yōu)點(diǎn)的混合型采集方式,在對(duì)選定的政府網(wǎng)站中所有網(wǎng)頁進(jìn)行完整性采集的同時(shí),通過人工干預(yù)的方式對(duì)網(wǎng)頁內(nèi)容進(jìn)行甄別,對(duì)其中有證據(jù)價(jià)值、歷史價(jià)值、研究?jī)r(jià)值的重要網(wǎng)頁,有選擇性地進(jìn)行深層次的頻繁采集,這樣既考慮到了政府網(wǎng)頁采集面的廣度,同時(shí)又照顧到了重要網(wǎng)頁采集的深度。
而網(wǎng)頁的采集與捕獲最終還需要依靠相應(yīng)的網(wǎng)絡(luò)爬蟲工具來實(shí)現(xiàn),目前面向網(wǎng)頁存檔的爬蟲工具比較多,其中Heritrix、HTTrack最為常用,可利用這些工具來有針對(duì)性地完成對(duì)目標(biāo)政府網(wǎng)站網(wǎng)頁的自動(dòng)批量在線采集。
本文地址:http://knowyourextract.com//article/22236.html