| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景以及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 论文主要研究内容 | 第15页 |
| 1.4 论文的章节安排 | 第15-18页 |
| 第二章 基础知识 | 第18-24页 |
| 2.1 爬虫 | 第18-21页 |
| 2.1.1 爬虫基本原理 | 第18-19页 |
| 2.1.2 分布式爬虫 | 第19-20页 |
| 2.1.3 暗网信息抓取 | 第20-21页 |
| 2.1.4 爬虫抓取策略 | 第21页 |
| 2.2 Robots协议 | 第21-22页 |
| 2.3 HTML元数据信息抽取 | 第22页 |
| 2.4 ZooKeeper | 第22-23页 |
| 2.4.1 Zookeeper的数据模型 | 第23页 |
| 2.4.2 ZooKeeper中的核心机制 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于标签网页正文块的三叉树抽取算法 | 第24-38页 |
| 3.1 基于连续标签的主体HTML片段的获取 | 第24-31页 |
| 3.1.1 通用网页正文抽取算法 | 第24-25页 |
| 3.1.2 基于标签的连续文本行网页正文抽取算法 | 第25-26页 |
| 3.1.3 算法实现 | 第26-28页 |
| 3.1.4 参数的确定 | 第28-30页 |
| 3.1.5 算法的时间与空间复杂度分析 | 第30页 |
| 3.1.6 与通用网页正文抽取算法对比 | 第30-31页 |
| 3.2 三叉树模型 | 第31-33页 |
| 3.2.1 基于三叉树的文本抽取算法 | 第31页 |
| 3.2.2 三叉树基本模型 | 第31-33页 |
| 3.3 基于三叉树模型的通用规则生成算法 | 第33-34页 |
| 3.3.1 基于标签的网页正文块的三叉树 | 第33-34页 |
| 3.3.2 算法的时间与空间复杂度分析 | 第34页 |
| 3.4 算法评估 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于字符串编辑距离的HTML网页结构分类 | 第38-50页 |
| 4.1 基于DOM树的网页结构聚类 | 第38-39页 |
| 4.1.1 DOM树编辑距离的概念 | 第38-39页 |
| 4.1.2 DOM树编辑距离的缺点 | 第39页 |
| 4.2 字符串的编辑距离 | 第39-41页 |
| 4.2.1 字符串编辑距离的概念 | 第40页 |
| 4.2.2 动态规划 | 第40页 |
| 4.2.3 字符串编辑距离解决思路 | 第40-41页 |
| 4.3 基于字符串的编辑距离的HTML网页结构分类 | 第41-44页 |
| 4.3.1 使用字符串的编辑距离解决网页结构之间的相似性 | 第41页 |
| 4.3.2 属性的确定 | 第41-43页 |
| 4.3.3 阈值的确定 | 第43页 |
| 4.3.4 基于标签属性的字符串编辑距离网页结构分类 | 第43-44页 |
| 4.3.5 算法的时间与空间复杂度 | 第44页 |
| 4.4 基于字符串编辑距离的网页结构聚类 | 第44-46页 |
| 4.4.1 网页结构聚类 | 第45页 |
| 4.4.2 聚类效果评估 | 第45-46页 |
| 4.5 算法评估 | 第46-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 自动化信息采集系统的设计与实现 | 第50-60页 |
| 5.1 系统整体框架图 | 第50页 |
| 5.2 系统的数据流 | 第50-51页 |
| 5.3 爬虫模块 | 第51-55页 |
| 5.3.1 Redis消息队列 | 第51-52页 |
| 5.3.2 ZooKeeper | 第52页 |
| 5.3.3 爬虫系统框架图 | 第52-53页 |
| 5.3.4 ZooKeeper的配置存储 | 第53-54页 |
| 5.3.5 爬虫的代码实现 | 第54页 |
| 5.3.6 Api接口的设计 | 第54-55页 |
| 5.4 数据库模块 | 第55-57页 |
| 5.5 其他模块 | 第57页 |
| 5.6 系统测试 | 第57-59页 |
| 5.6.1 三叉树信息抽取模块的测试 | 第57-58页 |
| 5.6.2 基于字符串编辑距离的网页分类的测试 | 第58-59页 |
| 5.6.3 测试小结 | 第59页 |
| 5.7 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
