面向垂直搜索引擎的聚焦网络爬虫关键技术研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 概述 | 第11-13页 |
| 1.1.1 Internet的发展 | 第11页 |
| 1.1.2 搜索引擎的发展 | 第11-13页 |
| 1.2 国内外相关技术发展现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本文研究内容与组织结构 | 第15-17页 |
| 第二章 爬虫体系结构研究 | 第17-26页 |
| 2.1 搜索引擎概述 | 第17-20页 |
| 2.1.1 搜索引擎基本原理 | 第17-18页 |
| 2.1.2 通用搜索引擎的局限 | 第18-19页 |
| 2.1.3 垂直搜索引擎概述 | 第19-20页 |
| 2.2 网络爬虫研究 | 第20-25页 |
| 2.2.1 通用爬虫基本原理及结构 | 第20-22页 |
| 2.2.2 聚焦爬虫系统结构 | 第22-23页 |
| 2.2.3 主题页面的分布特性 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 聚焦网络爬虫关键算法的研究与改进 | 第26-44页 |
| 3.1 主题爬行策略研究与改进 | 第26-32页 |
| 3.1.1 基于网页链接结构的爬行策略 | 第26-28页 |
| 3.1.2 基于网页内容的爬行策略 | 第28-29页 |
| 3.1.3 其它策略 | 第29-30页 |
| 3.1.4 改进的爬行策略 | 第30-32页 |
| 3.2 主题相关度计算方法 | 第32-35页 |
| 3.2.1 基于向量空间模型计算文本相似度 | 第32-33页 |
| 3.2.2 网页主题相关度计算方法 | 第33-34页 |
| 3.2.3 链接主题相关度计算方法 | 第34-35页 |
| 3.3 网页内容的提取 | 第35-39页 |
| 3.3.1 HTML简介 | 第35-36页 |
| 3.3.2 标签树的建立 | 第36-38页 |
| 3.3.3 基于文字/标签密度的网页正文提取方法 | 第38-39页 |
| 3.4 URL链接去重 | 第39-41页 |
| 3.5 中文分词 | 第41-43页 |
| 3.5.1 中文分词算法 | 第41-43页 |
| 3.5.2 jieba分词系统 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于改进爬行策略的聚焦爬虫系统设计 | 第44-57页 |
| 4.1 聚焦爬虫系统的总体架构 | 第44-47页 |
| 4.1.1 聚焦爬虫系统模块设计 | 第44-45页 |
| 4.1.2 聚焦爬虫系统流程设计 | 第45-47页 |
| 4.2 网页采集模块 | 第47-52页 |
| 4.2.1 HTTP协议简介 | 第47-50页 |
| 4.2.2 判断网页编码 | 第50-51页 |
| 4.2.3 Gzip压缩编码传输 | 第51页 |
| 4.2.4 采集模块流程 | 第51-52页 |
| 4.3 文本相似度计算模块 | 第52-54页 |
| 4.4 线程池工作模块 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 系统实现及实验分析 | 第57-64页 |
| 5.1 系统的实现 | 第57-59页 |
| 5.1.1 实验环境 | 第57页 |
| 5.1.2 实验过程 | 第57-58页 |
| 5.1.3 相关度阈值的设定 | 第58-59页 |
| 5.2 实验与分析 | 第59-63页 |
| 5.2.1 评价方法 | 第59-60页 |
| 5.2.2 实验分析 | 第60-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 结束语 | 第64-65页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68页 |
