| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 论文主要内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 网络爬虫系统的基础研究 | 第15-25页 |
| 2.1 网络爬虫的特征 | 第15-16页 |
| 2.2 网络爬虫系统关键技术的研究 | 第16-20页 |
| 2.2.1 URL去重策略 | 第16-17页 |
| 2.2.2 网页抓取算法 | 第17-20页 |
| 2.3 网络爬虫的基本组成模块 | 第20-21页 |
| 2.4 MapReduce编程模型 | 第21-23页 |
| 2.5 本章总结 | 第23-25页 |
| 第三章 爬虫系统的优化方案及其整体架构 | 第25-37页 |
| 3.1 网络爬虫的工作原理 | 第25-26页 |
| 3.1.1 单机网络爬虫工作原理 | 第25-26页 |
| 3.1.2 分布式网络爬虫的工作原理 | 第26页 |
| 3.2 分布式网络爬虫系统页面抓取模块分析与优化 | 第26-30页 |
| 3.2.1 现有网络爬虫网页抓取模块缺陷分析 | 第26-27页 |
| 3.2.2 网页抓取模块优化方案 | 第27-30页 |
| 3.3 URL去重策略的分析与优化 | 第30-34页 |
| 3.3.1 现有URL去重策略缺陷分析 | 第30-32页 |
| 3.3.2 URL去重策略优化方案 | 第32-34页 |
| 3.4 分布式网络爬虫的总体架构 | 第34-35页 |
| 3.5 本章总结 | 第35-37页 |
| 第四章 基于优化方案的网络爬虫具体实现 | 第37-47页 |
| 4.1 网页抓取模块优化方案具体实现 | 第37-39页 |
| 4.2 URL去重策略优化的具体实现 | 第39-43页 |
| 4.3 基于MapReduce生成抓取列表的具体实现 | 第43-45页 |
| 4.3.1 URL预处理的具体实现 | 第43-44页 |
| 4.3.2 待抓取列表生成模块的具体实现 | 第44-45页 |
| 4.4 分布式网络爬虫存储系统设计 | 第45-46页 |
| 4.5 本章总结 | 第46-47页 |
| 第五章 实验搭建与测试结果 | 第47-55页 |
| 5.1 实验环境 | 第47-48页 |
| 5.1.1 设备硬件配置 | 第47页 |
| 5.1.2 测试环境软件版本 | 第47页 |
| 5.1.3 Hadoop集群环境搭建 | 第47-48页 |
| 5.2 网页抓取模块实验分析 | 第48-52页 |
| 5.2.1 网页抓取模块的测试方案设计 | 第49页 |
| 5.2.2 实验数据 | 第49-50页 |
| 5.2.3 实验数据分析 | 第50-52页 |
| 5.3 URL去重策略实验分析 | 第52-54页 |
| 5.3.1 URL去重策略测试方案设计 | 第52页 |
| 5.3.2 实验数据 | 第52-53页 |
| 5.3.3 实验数据分析 | 第53-54页 |
| 5.4 本章总结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55-56页 |
| 6.2 进一步研究方向 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |