| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 双语语料采集研究现状 | 第9-10页 |
| 1.3 课题研究内容及意义 | 第10-12页 |
| 1.4 本文的内容组织结构 | 第12-13页 |
| 第2章 面向 WEB 的双语语料采集技术 | 第13-25页 |
| 2.1 HADOOP 分布式系统概述 | 第13-16页 |
| 2.1.1 HDFS 简介 | 第13-14页 |
| 2.1.2 MapReduce 计算模型简介 | 第14-16页 |
| 2.2 网页的搜集技术 | 第16-23页 |
| 2.2.1 网页搜集的 Web 图原理与一般过程 | 第17-18页 |
| 2.2.2 网页爬行器关键技术 | 第18-22页 |
| 2.2.3 网络爬行器的主要问题 | 第22-23页 |
| 2.3 基于 HADOOP 的双语语料采集系统整体结构 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 面向 WEB 的大规模、多语言的网页爬行器 | 第25-38页 |
| 3.1 面向 WEB 的多语言网页爬行器的系统设计目标 | 第25-26页 |
| 3.2 面向 WEB 的多语言网页爬行器的总体设计 | 第26-27页 |
| 3.3 面向 WEB 的多语言网页爬行器系统实现 | 第27-34页 |
| 3.3.1 URL 规格化子模块 | 第27-29页 |
| 3.3.2 任务调度子模块 | 第29页 |
| 3.3.3 网页下载子模块 | 第29-31页 |
| 3.3.4 网页解析模块 | 第31-32页 |
| 3.3.5 URL 去重更新子模块 | 第32-33页 |
| 3.3.6 Robots 规则和 DNS 缓存功能模块 | 第33-34页 |
| 3.4 相关实验和系统评测 | 第34-37页 |
| 3.4.1 DNS 分布式缓存模块性能评价 | 第34-36页 |
| 3.4.2 面向 Web 的多语言网页爬行器系统运行情况 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 面向双语网站的增量爬行器技术与系统实现 | 第38-48页 |
| 4.1 系统的设计目标 | 第38页 |
| 4.2 网页的变化 | 第38-40页 |
| 4.2.1 网页更新模型 | 第39页 |
| 4.2.2 变化的估计 | 第39-40页 |
| 4.3 面向双语站点增量爬行器系统设计实现 | 第40-44页 |
| 4.3.1 双语站点增量爬行器系统基本框架 | 第41-42页 |
| 4.3.2 增量爬行策略 | 第42-44页 |
| 4.4 相关实验和系统评测 | 第44-47页 |
| 4.4.1 双语站点的更新规律实验 | 第44-45页 |
| 4.4.2 系统的运行情况 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 其他语料获取方式和相关实验 | 第48-55页 |
| 5.1 基于互联网词典的元搜索语料获取 | 第48-52页 |
| 5.1.1 基于互联网词典元搜索方式语料获取方法 | 第49页 |
| 5.1.2 语料获取结构图 | 第49-50页 |
| 5.1.3 针对必应词典的获取示例 | 第50-51页 |
| 5.1.4 获取结果和分析 | 第51-52页 |
| 5.2 一种互联网双语句对数的估计方法 | 第52-54页 |
| 5.3 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
