面向建材信息的网络爬虫系统的设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-15页 |
| 1.1 论文背景和意义 | 第11页 |
| 1.2 国内外发展现状 | 第11-14页 |
| 1.3 论文主要工作与结构安排 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 相关技术概述 | 第15-20页 |
| 2.1 正则表达式 | 第15页 |
| 2.2 布隆算法 | 第15-16页 |
| 2.3 RHINO解析引擎 | 第16-17页 |
| 2.4 TESSERACT图片识别引擎 | 第17-18页 |
| 2.5 MVC设计模式 | 第18页 |
| 2.6 MONGO数据库 | 第18-19页 |
| 2.7 本章小结 | 第19-20页 |
| 3 需求分析 | 第20-25页 |
| 3.1 系统业务总体分析 | 第20页 |
| 3.2 系统功能性需求 | 第20-21页 |
| 3.3 系统非功能性需求 | 第21-22页 |
| 3.4 技术可行性分析 | 第22-24页 |
| 3.4.1 页面抓取分析 | 第22-23页 |
| 3.4.2 页面解析分析 | 第23页 |
| 3.4.3 数据库存储分析 | 第23-24页 |
| 3.5 本章小结 | 第24-25页 |
| 4 系统概要设计 | 第25-35页 |
| 4.1 爬虫系统开发环境 | 第25页 |
| 4.2 系统基本框架 | 第25-27页 |
| 4.3 网页抓取模块 | 第27-31页 |
| 4.3.1 网络爬虫抓取策略 | 第28-29页 |
| 4.3.2 URL去重 | 第29-31页 |
| 4.4 页面解析模块 | 第31-32页 |
| 4.5 MONGO数据库模块 | 第32页 |
| 4.6 代理IP管理模块 | 第32-33页 |
| 4.7 爬虫管理系统模块 | 第33-34页 |
| 4.8 本章小结 | 第34-35页 |
| 5 系统详细设计及实现 | 第35-65页 |
| 5.1 网页抓取模块 | 第35-44页 |
| 5.1.1 Robots协议解析 | 第35-36页 |
| 5.1.2 HTTP协议分析 | 第36页 |
| 5.1.3 HTTP文件抓取 | 第36-37页 |
| 5.1.4 HTTP响应信息处理方法 | 第37-38页 |
| 5.1.5 URL去重 | 第38-40页 |
| 5.1.6 初始URL文件配置 | 第40页 |
| 5.1.7 线程池工作模块 | 第40-42页 |
| 5.1.8 翻页URL | 第42页 |
| 5.1.9 页面的更新策略 | 第42-43页 |
| 5.1.10 爬虫抓取频率 | 第43页 |
| 5.1.11 DNS解析缓存 | 第43-44页 |
| 5.2 网页解析模块 | 第44-51页 |
| 5.2.1 静态页面解析 | 第44-47页 |
| 5.2.2 图片内容解析 | 第47-48页 |
| 5.2.3 JS动态页面解析 | 第48-51页 |
| 5.3 应对反爬虫策略 | 第51-55页 |
| 5.3.1 基于User-Agent的反爬虫 | 第51-53页 |
| 5.3.2 基于登录的反爬虫 | 第53-54页 |
| 5.3.3 基于Cookie的反爬虫 | 第54-55页 |
| 5.4 MONGO数据库模块 | 第55-58页 |
| 5.4.1 Mongo数据库存入 | 第55-57页 |
| 5.4.2 Mongo数据库备份与恢复 | 第57-58页 |
| 5.5 代理IP管理模块 | 第58-61页 |
| 5.5.1 请求的处理 | 第59页 |
| 5.5.2 响应的处理 | 第59-60页 |
| 5.5.3 基于线程池 | 第60-61页 |
| 5.6 爬虫管理系统模块 | 第61-64页 |
| 5.6.1 爬虫管理系统界面 | 第61页 |
| 5.6.2 爬虫管理系统功能 | 第61-62页 |
| 5.6.3 数据库表设计 | 第62-64页 |
| 5.6.4 Controller类 | 第64页 |
| 5.7 本章小结 | 第64-65页 |
| 6 系统测试 | 第65-69页 |
| 6.1 单元测试 | 第65页 |
| 6.2 系统测试 | 第65-68页 |
| 6.3 本章小结 | 第68-69页 |
| 7 总结与展望 | 第69-71页 |
| 7.1 总结 | 第69页 |
| 7.2 展望 | 第69-71页 |
| 参考文献 | 第71-73页 |
| 作者简历 | 第73-75页 |
| 学位论文数据集 | 第75页 |
