基于Web挖掘的主题搜索引擎网页抓取策略的研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究的目的和意义 | 第9页 |
| 1.3 国内外发展现状 | 第9-11页 |
| 1.4 本文研究的主要内容 | 第11页 |
| 1.5 本文的组织结构 | 第11-13页 |
| 2 Web挖掘技术和搜索引擎技术 | 第13-23页 |
| 2.1 Web挖掘技术 | 第13-16页 |
| 2.1.1 Web挖掘的概念 | 第13页 |
| 2.1.2 Web挖掘的分类 | 第13-15页 |
| 2.1.3 Web挖掘的特点 | 第15页 |
| 2.1.4 Web挖掘的主要流程 | 第15-16页 |
| 2.2 搜索引擎技术 | 第16-20页 |
| 2.2.1 搜索引擎的概念 | 第16-17页 |
| 2.2.2 搜索引擎的分类 | 第17-18页 |
| 2.2.3 通用搜索引擎的工作原理 | 第18-20页 |
| 2.3 Web挖掘与搜索引擎的结合 | 第20-21页 |
| 2.3.1 两者结合的意义 | 第20页 |
| 2.3.2 结合的方法 | 第20-21页 |
| 2.4 信息检索模型 | 第21-22页 |
| 2.4.1 布尔模型 | 第21页 |
| 2.4.2 向量空间模型 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 主题网页抓取策略及相关技术分析 | 第23-32页 |
| 3.1 主题网页抓取技术概述 | 第23-27页 |
| 3.1.1 主题网页抓取技术的原理和结构 | 第23-24页 |
| 3.1.2 主题网页抓取技术拟解决的关键问题 | 第24-25页 |
| 3.1.3 主题爬虫的爬行策略 | 第25-27页 |
| 3.2 主题爬虫关键技术 | 第27-29页 |
| 3.2.1 网页预处理技术 | 第27-28页 |
| 3.2.2 隧道穿越技术 | 第28-29页 |
| 3.3 主题描述与主题网页分布特性 | 第29-30页 |
| 3.3.1 主题描述 | 第29-30页 |
| 3.3.2 主题网页的分布特性 | 第30页 |
| 3.4 本章小结 | 第30-32页 |
| 4 基于Web挖掘的主题爬虫的系统设计 | 第32-45页 |
| 4.1 主题爬虫系统模块设计 | 第32-33页 |
| 4.2 网页采集模块 | 第33-37页 |
| 4.2.1 HTTP协议简介 | 第33-34页 |
| 4.2.2 采集模块流程 | 第34-37页 |
| 4.3 网页分析模块 | 第37-39页 |
| 4.4 文本相似度计算模块 | 第39页 |
| 4.5 爬行控制模块 | 第39-43页 |
| 4.5.1 Best-First算法的不足 | 第39-40页 |
| 4.5.2 非贪婪策略简介 | 第40-41页 |
| 4.5.3 Best-First算法的优化 | 第41-43页 |
| 4.6 多线程工作模块 | 第43-44页 |
| 4.7 数据存储工作模块 | 第44页 |
| 4.8 本章小结 | 第44-45页 |
| 5 系统的实现与实验分析 | 第45-49页 |
| 5.1 系统的开发平台与工具 | 第45-46页 |
| 5.1.1 实验环境及设置 | 第45-46页 |
| 5.1.2 实验的评判标准 | 第46页 |
| 5.2 实验结果分析 | 第46-48页 |
| 5.3 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 本文总结 | 第49页 |
| 6.2 未来的展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间主要科研成果 | 第56页 |
