分布式并行环境下的网络爬虫研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 背景 | 第13-14页 |
| 1.2 研究的意义 | 第14页 |
| 1.3 研究动态 | 第14-15页 |
| 1.4 主要工作与论文结构 | 第15-17页 |
| 第二章 爬虫相关理论 | 第17-28页 |
| 2.1 通用爬虫与主题爬虫 | 第18-20页 |
| 2.1.1 通用爬虫 | 第18-19页 |
| 2.1.2 主题爬虫 | 第19-20页 |
| 2.2 网页的抓取策略 | 第20-22页 |
| 2.2.1 深度优先策略 | 第20页 |
| 2.2.2 广度优先策略 | 第20-21页 |
| 2.2.3 最佳优先策略 | 第21页 |
| 2.2.4 增量搜索策略 | 第21-22页 |
| 2.2.5 礼貌策略 | 第22页 |
| 2.3 网页分析算法 | 第22-24页 |
| 2.3.1 PageRank算法 | 第22-23页 |
| 2.3.2 HITS算法 | 第23-24页 |
| 2.4 网络爬虫结构分析 | 第24-28页 |
| 第三章 分布式爬虫系统分析设计 | 第28-39页 |
| 3.1 分布式技术 | 第28-31页 |
| 3.1.1 Hadoop分布式文件系统 | 第29-30页 |
| 3.1.2 MapReduce工作原理 | 第30-31页 |
| 3.2 分布式爬虫分析设计 | 第31-39页 |
| 3.2.1 分布式爬虫分析 | 第32-33页 |
| 3.2.2 分布式爬虫架构及工作流程 | 第33-35页 |
| 3.2.3 分布式爬虫模块设计 | 第35-39页 |
| 第四章 关键技术 | 第39-47页 |
| 4.1 URL队列设计与去重 | 第39-42页 |
| 4.2 并行抓取 | 第42-43页 |
| 4.3 动态网页解析与内嵌文档内容抽取 | 第43-45页 |
| 4.4 爬虫陷进与网页更新 | 第45-47页 |
| 第五章 分布式网络爬虫系统实现 | 第47-54页 |
| 5.1 平台环境 | 第47页 |
| 5.2 系统实现 | 第47-54页 |
| 5.2.1 爬虫总体结构 | 第48-49页 |
| 5.2.2 核心类的实现 | 第49-54页 |
| 第六章 测试分析 | 第54-60页 |
| 6.1 节点扩展测试 | 第54-58页 |
| 6.2 抓取效率对比 | 第58-60页 |
| 第七章 总结与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
