主题网络爬虫的并行化研究与设计
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 课题研究的目的与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 研究思路及主要研究内容 | 第9页 |
| 1.4 本文结构安排 | 第9-11页 |
| 第2章 相关技术研究 | 第11-23页 |
| 2.1 网络爬虫相关知识 | 第11-15页 |
| 2.1.1 HTTP协议 | 第11-12页 |
| 2.1.2 搜索引擎 | 第12-13页 |
| 2.1.3 爬虫 | 第13-14页 |
| 2.1.4 网页采集 | 第14-15页 |
| 2.2 并行化框架技术 | 第15-20页 |
| 2.2.1 Storm计算框架 | 第15-16页 |
| 2.2.2 ZooKeeper分布式协调服务 | 第16-17页 |
| 2.2.3 Redis内存数据库 | 第17-18页 |
| 2.2.4 RabbitMQ消息队列 | 第18-19页 |
| 2.2.5 分布式数据库MongoDB | 第19-20页 |
| 2.3 文本处理 | 第20-22页 |
| 2.3.1 分词与特征词 | 第20页 |
| 2.3.2 权重计算 | 第20-21页 |
| 2.3.3 相似度度量 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 主题爬虫并行化分析与设计方案 | 第23-29页 |
| 3.1 总体方案设计 | 第23-24页 |
| 3.2 总体架构设计 | 第24-25页 |
| 3.3 系统流程及各模块设计 | 第25-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 主题爬虫并行化算法研究与改进 | 第29-47页 |
| 4.1 常用搜索算法 | 第29-31页 |
| 4.2 基于多策略融合的搜索算法 | 第31-36页 |
| 4.2.1 算法思想 | 第31页 |
| 4.2.2 算法流程 | 第31-33页 |
| 4.2.3 算法实例分析 | 第33-34页 |
| 4.2.4 算法性能对比分析 | 第34-36页 |
| 4.3 常用主题相似度判别算法 | 第36-40页 |
| 4.3.1 向量空间模型 | 第36-38页 |
| 4.3.2 语义相似度 | 第38-40页 |
| 4.4 网页相似度判别算法 | 第40-46页 |
| 4.4.1 算法思想及流程 | 第40-45页 |
| 4.4.2 算法应用及性能分析 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 主题爬虫并行化实现 | 第47-65页 |
| 5.1 数据库设计 | 第47-48页 |
| 5.2 Storm模型 | 第48-49页 |
| 5.3 环境搭建 | 第49-55页 |
| 5.4 模块设计与实现 | 第55-61页 |
| 5.5 系统测试 | 第61-64页 |
| 5.6 采集注意事项 | 第64页 |
| 5.7 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-66页 |
| 6.1 本文工作总结 | 第65页 |
| 6.2 工作展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-69页 |
