基于云平台网络爬虫的互联网信息采集系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 研究现状与发展趋势 | 第12-13页 |
| 1.2.1 云平台 | 第12-13页 |
| 1.2.2 互联网信息采集技术 | 第13页 |
| 1.3 本文主要研究工作 | 第13-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 相关技术 | 第17-29页 |
| 2.1 云计算 | 第17-19页 |
| 2.1.1 云计算服务层次 | 第17-18页 |
| 2.1.2 云计算技术体系结构 | 第18-19页 |
| 2.2 Hadoop | 第19-23页 |
| 2.2.1 HDFS | 第20-21页 |
| 2.2.2 Map/Reduce | 第21-23页 |
| 2.3 网络爬虫 | 第23-26页 |
| 2.3.1 网络爬虫原理 | 第23-24页 |
| 2.3.2 网络爬虫基本工作流程 | 第24页 |
| 2.3.3 网络爬虫搜索策略 | 第24-25页 |
| 2.3.4 分布式网络爬虫 | 第25-26页 |
| 2.4 正则表达式 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 系统需求与总体设计 | 第29-35页 |
| 3.1 系统设计需求 | 第29-31页 |
| 3.1.1 非功能性需求 | 第29-30页 |
| 3.1.2 功能性需求 | 第30-31页 |
| 3.2 系统总体布局 | 第31-33页 |
| 3.3 本章小结 | 第33-35页 |
| 第4章 信息采集模块设计 | 第35-47页 |
| 4.1 Nutch的crawl模块的原理分析 | 第35-37页 |
| 4.1.1 原理 | 第35页 |
| 4.1.2 工作流程 | 第35-36页 |
| 4.1.3 nutch中的Hado叩 | 第36-37页 |
| 4.2 云平台网络爬虫的总体设计 | 第37-39页 |
| 4.2.1 总体设计 | 第37-38页 |
| 4.2.2 相关数据结构设计 | 第38-39页 |
| 4.3 云平台网络爬虫详细设计 | 第39-44页 |
| 4.3.1 Map/Reduce的编程方式 | 第39-40页 |
| 4.3.2 云平台网络爬虫子模块详细设计 | 第40-44页 |
| 4.4 url结构分析 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第5章 网页信息抽取技术及其实现 | 第47-55页 |
| 5.1 网页抽取技术 | 第47-48页 |
| 5.1.1 背景 | 第47页 |
| 5.1.2 概述 | 第47-48页 |
| 5.2 HTML | 第48-53页 |
| 5.2.1 概念 | 第48页 |
| 5.2.2 结构分析 | 第48-50页 |
| 5.2.3 HtmlParser | 第50-52页 |
| 5.2.4 信息解析的流程 | 第52-53页 |
| 5.3 本章小结 | 第53-55页 |
| 第6章 系统配置与系统测试 | 第55-63页 |
| 6.1 云平台搭建 | 第55-58页 |
| 6.1.1 系统环境 | 第55-56页 |
| 6.1.2 配置流程 | 第56-58页 |
| 6.2 参数设置 | 第58-59页 |
| 6.3 系统运行测试 | 第59-62页 |
| 6.4 本章小结 | 第62-63页 |
| 第7章 总结与展望 | 第63-67页 |
| 7.1 全文总结 | 第63-64页 |
| 7.2 本文的创新点 | 第64页 |
| 7.3 下一步工作展望 | 第64-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
