面向多通道爬虫的Web信息抽取技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 Web内容抽取 | 第10-13页 |
| 1.2.2 Web数据记录抽取 | 第13-15页 |
| 1.3 研究内容与组织结构 | 第15-17页 |
| 第2章 基于有效字符的Web内容抽取 | 第17-40页 |
| 2.1 概述 | 第17-19页 |
| 2.2 对?算法及实现 | 第19-23页 |
| 2.2.1 基于?本标签?的内容抽取算法 | 第19-20页 |
| 2.2.2 基于?本密度的内容抽取算法 | 第20-22页 |
| 2.2.3 基于?本标签路径?的内容抽取算法 | 第22-23页 |
| 2.3 基于有效字符的Web内容抽取算法 | 第23-31页 |
| 2.3.1 ?档对象模型（DOM） | 第23-25页 |
| 2.3.2 有效字符定义与统计?法 | 第25-27页 |
| 2.3.3 核?内容块定位?法 | 第27-29页 |
| 2.3.4 算法实现概述 | 第29-31页 |
| 2.4 新闻和博客的内容抽取实验 | 第31-39页 |
| 2.4.1 内容抽取评价指标 | 第31-32页 |
| 2.4.2 新闻和博客数据集 | 第32-33页 |
| 2.4.3 算法的参数调整 | 第33页 |
| 2.4.4 实验过程与结果 | 第33-34页 |
| 2.4.5 实验结果分析 | 第34-39页 |
| 2.5 本章?结 | 第39-40页 |
| 第3章 基于锚节点的论坛帖子抽取 | 第40-58页 |
| 3.1 概述 | 第40-41页 |
| 3.2 对?算法及实现 | 第41-42页 |
| 3.3 基于锚节点的帖?抽取算法 | 第42-52页 |
| 3.3.1 树匹配算法 | 第42-44页 |
| 3.3.2 锚节点定义与统计?法 | 第44-45页 |
| 3.3.3 帖??节点定位?法 | 第45-47页 |
| 3.3.4 候选帖?筛选?法 | 第47-51页 |
| 3.3.5 算法实现概述 | 第51-52页 |
| 3.4 论坛帖?抽取实验 | 第52-57页 |
| 3.4.1 帖?抽取评价指标 | 第52页 |
| 3.4.2 论坛数据集 | 第52-54页 |
| 3.4.3 实验过程和结果分析 | 第54-57页 |
| 3.5 本章?结 | 第57-58页 |
| 第4章 Web新闻采集系统的设计与实现 | 第58-72页 |
| 4.1 概述 | 第58-59页 |
| 4.2 总体设计?案 | 第59-61页 |
| 4.2.1 系统架构 | 第59-60页 |
| 4.2.2 新闻采集流程 | 第60-61页 |
| 4.3 各模块的设计与实现 | 第61-68页 |
| 4.3.1 列表解析模块 | 第61-63页 |
| 4.3.2 信息抽取模块 | 第63-65页 |
| 4.3.3 URL过滤模块 | 第65-66页 |
| 4.3.4 并?调度模块 | 第66-67页 |
| 4.3.5 存储和检索模块 | 第67-68页 |
| 4.4 运?效果评估 | 第68-71页 |
| 4.4.1 测试环境 | 第68-69页 |
| 4.4.2 新闻采集统计 | 第69页 |
| 4.4.3 新闻信息抽取测试 | 第69-70页 |
| 4.4.4 新闻检索测试 | 第70-71页 |
| 4.5 本章?结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第77-79页 |
| 致谢 | 第79页 |
