| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文主要内容 | 第11页 |
| 1.4 论文章节安排 | 第11-14页 |
| 第二章 相关理论与技术 | 第14-24页 |
| 2.1 网络爬虫基本原理 | 第14-18页 |
| 2.1.1 搜索引擎基本原理 | 第14-15页 |
| 2.1.2 网络爬虫工作原理 | 第15-16页 |
| 2.1.3 网络爬虫爬行策略 | 第16-18页 |
| 2.2 Hadoop分布式技术 | 第18-23页 |
| 2.2.1 分布式文件系统HDFS | 第18-21页 |
| 2.2.2 分布式编程模型MapReduce | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 分布式URL去重算法研究 | 第24-36页 |
| 3.1 URL去重算法概述 | 第24-25页 |
| 3.2 基于Rabin指纹的URL去重算法 | 第25-29页 |
| 3.2.1 Rabin指纹 | 第25-27页 |
| 3.2.2 算法描述 | 第27-29页 |
| 3.3 基于MapReduce的分布式URL去重算法 | 第29-35页 |
| 3.3.1 算法描述 | 第29-31页 |
| 3.3.2 算法实现 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 分布式网络爬虫总体设计 | 第36-50页 |
| 4.1 分布式网络爬虫设计需求 | 第36-37页 |
| 4.2 分布式网络爬虫架构设计 | 第37-38页 |
| 4.3 分布式网络爬虫流程设计 | 第38-39页 |
| 4.4 分布式功能模块划分 | 第39-40页 |
| 4.5 分布式功能模块设计 | 第40-47页 |
| 4.5.1 初始URL注入模块 | 第40-42页 |
| 4.5.2 待抓取队列生成模块 | 第42-44页 |
| 4.5.3 网页下载模块 | 第44-46页 |
| 4.5.4 网页解析模块 | 第46-47页 |
| 4.5.5 URL更新模块 | 第47页 |
| 4.6 分布式存储设计 | 第47-48页 |
| 4.7 本章小结 | 第48-50页 |
| 第五章 分布式网络爬虫实现以及系统测试 | 第50-66页 |
| 5.1 分布式网络爬虫总体结构实现 | 第50-51页 |
| 5.2 分布式功能模块实现 | 第51-57页 |
| 5.2.1 初始URL注入模块 | 第51-52页 |
| 5.2.2 待抓取队列生成模块 | 第52-54页 |
| 5.2.3 网页下载模块 | 第54-55页 |
| 5.2.4 网页解析模块 | 第55-56页 |
| 5.2.5 URL更新模块 | 第56-57页 |
| 5.3 系统测试 | 第57-64页 |
| 5.3.1 系统测试环境 | 第57-58页 |
| 5.3.2 系统测试方案 | 第58-59页 |
| 5.3.3 测试结果及分析 | 第59-64页 |
| 5.4 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间取得的学术成果 | 第72-74页 |
| 致谢 | 第74页 |