| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-16页 |
| 1.2.1 聚焦爬虫抓取策略 | 第9-14页 |
| 1.2.2 网页解析算法 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 基于网页语义内容和密度划分的爬行策略 | 第18-30页 |
| 2.1 问题的描述 | 第18-21页 |
| 2.1.1 聚焦爬虫分析 | 第18-20页 |
| 2.1.2 现有抓取策略的不足 | 第20-21页 |
| 2.2 基于网页语义内容和密度划分的聚焦爬虫策略 | 第21-27页 |
| 2.2.1 语义相似度定义 | 第21-22页 |
| 2.2.2 基于语义分析的URL权重判断 | 第22-24页 |
| 2.2.3 基于DBSCAN算法的已下载链接聚类 | 第24-27页 |
| 2.3 爬行策略的实现 | 第27-28页 |
| 2.3.1 爬行策略的核心步骤 | 第27页 |
| 2.3.2 爬行策略实现的伪代码 | 第27-28页 |
| 2.3.3 爬行策略流程图 | 第28页 |
| 2.4 爬行策略算法复杂度分析 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于DOM树和Map/Reduce的Web内容解析 | 第30-40页 |
| 3.1 Web网页信息提取 | 第30-31页 |
| 3.2 基于DOM树和MapReduce的Web内容解析算法模型 | 第31-35页 |
| 3.2.1 基于DOMTree的网页文本标签路径构建 | 第31-33页 |
| 3.2.2 页面噪音节点的判断 | 第33-34页 |
| 3.2.3 基于Map/Reduce的标签路径合并 | 第34-35页 |
| 3.3 算法的实现 | 第35-38页 |
| 3.3.1 解析算法的详细步骤 | 第35-36页 |
| 3.3.2 解析算法实现的伪代码 | 第36-37页 |
| 3.3.3 解析算法实现流程图 | 第37-38页 |
| 3.4 解析算法复杂度分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 仿真实验与结果分析 | 第40-58页 |
| 4.1 实验环境 | 第40页 |
| 4.2 环境部署 | 第40-42页 |
| 4.2.1 JDK配置 | 第40页 |
| 4.2.2 SSH配置 | 第40-41页 |
| 4.2.3 Hadoop配置 | 第41-42页 |
| 4.3 评价指标 | 第42-44页 |
| 4.3.1 抓取策略评价指标 | 第43页 |
| 4.3.2 解析算法评价指标 | 第43-44页 |
| 4.4 爬行策略验证 | 第44-51页 |
| 4.4.1 爬虫框架选取 | 第44-45页 |
| 4.4.2 实验设计 | 第45-47页 |
| 4.4.3 算法参数的确定 | 第47-48页 |
| 4.4.4 本文算法与First Search、Shark Search算法的对比 | 第48-51页 |
| 4.5 网页解析算法验证 | 第51-56页 |
| 4.5.1 实验设计 | 第51页 |
| 4.5.2 算法精准度验证 | 第51-53页 |
| 4.5.3 算法对比 | 第53-56页 |
| 4.5.4 实验结论 | 第56页 |
| 4.6 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 本文总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文、专利和参与的项目 | 第65页 |
