В данной выпускной квалификационной работе рассматриваются подходы к извлечению данных с веб-ресурсов. В работе проводится обзор существующих видов веб-скрейперов, и их классификация. В работе разработан и описан алгоритм работы высокопроизводительной системы с распределённой архитектурой. Реализованная система протестирована на сайте hh.ru. Была произведена оценка времени работы системы и существующего API сайта, а тек же было произведено сравнение по извлечению данных с существующими настольным решениями.

The thesis approaches to extracting data from web resources. The paper reviews the current types of web scraper and their classification. In the thesis of high-performance system with the distributed architecture is developed and described. A solution is proposed for the automatic assembly and deployment of a container application. The implemented system was tested on the website headhunter.ru. An assessment was made of the operating time of the system and the existing site API.

• Список иллюстраций
• Список сокращений
• Введение
• 1. Обзор предметной области
  • 1.1 Веб-скрейпинг
    • 1.1.1 Доступ к сайту
    • 1.1.2 Объектная модель документа
    • 1.1.3 Анализ HTML-страницы и извлечение информации
    • 1.1.4 XPath
    • 1.1.5 Создание выходных данных
  • 1.2 Существующие реализации веб-скрейперов
  • 1.3 Библиотеки для языков программирования
  • 1.4 Фреймворки
    • 1.4.1 Scrapy
    • 1.4.2 Web-Harvest
    • 1.4.3 Jarvest
    • 1.4.4 Jsoup
    • 1.4.5 Сравнительный анализ реализаций фреймворков
  • 1.5 Настольные приложения
  • 1.6 Выводы
• 2. Архитектура приложения
  • 2.1 Обобщенная схема системы
  • 2.2 Мастер-узел
    • 2.2.1 Алгоритм классификации веб-ресурса
    • 2.2.2 Анализ данных для одностраничного класса веб-страниц
    • 2.2.3 Особенности извлечения данных для страниц с блоком данных
  • 2.3 Рабочий узел
    • 2.3.1 Протокол взаимодействия мастер-узла с рабочим узлом
    • 2.3.2 База данных
    • 2.3.3 Горизонтальная масштабируемость и развертывание рабочего узла
  • 2.4 Выводы
• 3. Реализация системы
  • 3.1 Выбор языка
  • 3.2 Выбор Фреймворков
    • 3.2.1 Фреймворк системы
    • 3.2.2 База данных
    • 3.2.3 Анализ и извлечение данных
  • 3.3 Сборка проекта
  • 3.4 Реализация развертывания master-узла
  • 3.5 Реализация развертывания рабочего узла
  • 3.6 Выводы
• 4. Полученные результаты
  • 4.1 Оценка скорости работы с существующим API сайта headhunter.ru
  • 4.2 Оценка скорости работы с существующими решениями
  • 4.3 Выводы
• Заключение
• Список литературы