| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 论文研究内容 | 第9-10页 |
| 1.3 论文组织结构 | 第10-12页 |
| 第二章 分布式爬取相关技术 | 第12-21页 |
| 2.1 网络爬虫技术概述 | 第12-15页 |
| 2.1.1 网络爬虫的基本工作原理 | 第12页 |
| 2.1.2 网络爬虫的基本结构 | 第12-13页 |
| 2.1.3 网络爬虫的工作方式 | 第13-14页 |
| 2.1.4 主流分布式网络爬虫 | 第14-15页 |
| 2.2 分布式爬取框架NUTCH | 第15-18页 |
| 2.2.1 Nutch总体架构 | 第15-16页 |
| 2.2.2 Nutch工作流程 | 第16-17页 |
| 2.2.3 Nutch插件系统 | 第17-18页 |
| 2.3 HADOOP分布式平台 | 第18-20页 |
| 2.3.1 Hadoop分布式平台简介 | 第18页 |
| 2.3.2 分布式计算模型MapReduce | 第18-19页 |
| 2.3.3 分布式文件系统HDFS | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 异构学术资源分布式爬取系统的需求分析与总体设计 | 第21-38页 |
| 3.1 系统的功能性需求 | 第21-22页 |
| 3.2 系统的非功能性需求 | 第22-23页 |
| 3.2.1 系统的扩展性 | 第22-23页 |
| 3.2.2 系统的健壮性与安全性 | 第23页 |
| 3.3 系统的总体设计 | 第23-37页 |
| 3.3.1 分布式网络爬虫Nutch分析 | 第24-26页 |
| 3.3.2 系统的整体架构 | 第26-27页 |
| 3.3.3 基于Nutch的程序修改与设计 | 第27-32页 |
| 3.3.4 分布式物理工作集群的设计 | 第32-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 异构学术资源分布式爬取系统的详细设计与实现 | 第38-70页 |
| 4.1 异构学术资源网站学术数据的分析与字段抽取 | 第38-51页 |
| 4.1.1 异构学术资源网站学术资源页的页面分析与链接分析 | 第38-42页 |
| 4.1.2 异构学术资源网站学术资源的循环抓取路线与字段抽取 | 第42-51页 |
| 4.2 数据库存储设计与实现 | 第51-57页 |
| 4.2.1 微软学术数据库表设计 | 第52-53页 |
| 4.2.2 万方学术数据库表设计 | 第53-55页 |
| 4.2.3 DBLP学术数据库表设计 | 第55-57页 |
| 4.3 基于NUTCH的主控程序实现 | 第57-62页 |
| 4.4 基于NUTCH的插件程序实现 | 第62-65页 |
| 4.4.1 Urlfilter-regex插件 | 第62-63页 |
| 4.4.2 学术解析插件 | 第63-65页 |
| 4.5 基于NUTCH的配置文件实现 | 第65-69页 |
| 4.5.1 nutch-site.xml配置 | 第66-68页 |
| 4.5.2 regex-urlfilter.txt配置 | 第68-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 异构学术资源分布式爬取系统的测试和部署 | 第70-84页 |
| 5.1 系统测试环境 | 第70-71页 |
| 5.2 系统测试 | 第71-77页 |
| 5.2.1 系统功能测试 | 第71-72页 |
| 5.2.2 系统性能测试 | 第72-74页 |
| 5.2.3 系统扩展性测试 | 第74-76页 |
| 5.2.4 系统健壮性和安全性测试 | 第76-77页 |
| 5.3 系统性能分析与配置方案优化 | 第77-81页 |
| 5.3.1 系统性能统计分析 | 第77-79页 |
| 5.3.2 Hadoop工作集群配置方案优化 | 第79-81页 |
| 5.4 系统数据抓取结果展示 | 第81-83页 |
| 5.5 本章小结 | 第83-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 本文工作总结 | 第84页 |
| 6.2 未来的研究工作 | 第84-86页 |
| 参考文献 | 第86-88页 |
| 缩略语 | 第88-89页 |
| 致谢 | 第89页 |
