網(wǎng)頁采集的第一步是要確定采集對象，政府網(wǎng)頁歸檔保存的信息采集對象是域名中含有“gov.cn”的政府網(wǎng)站，為確保政府網(wǎng)頁的采集質(zhì)量，需要對目標(biāo)網(wǎng)站進(jìn)行評價，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，為了彌補(bǔ)其各自的不足，可以實現(xiàn)兩種采集方式的優(yōu)勢互補(bǔ)，采用融合二者優(yōu)點的混合型采集方式，在對選定的政府網(wǎng)站中所有網(wǎng)頁進(jìn)行完整性采集的同時，通過人工干預(yù)的方式對網(wǎng)頁內(nèi)容進(jìn)行甄別，對其中有證據(jù)價值、歷史價值、研究價值的重要網(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性地完成對目標(biāo)政府網(wǎng)站網(wǎng)頁的自動批量在線采集。
本文地址：http://m.cdrpkj.cn//article/22236.html
