主题爬虫搜索策略的设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状及发展趋势 | 第12-15页 |
| 1.2.1 搜索引擎 | 第12-13页 |
| 1.2.2 主题爬虫 | 第13-15页 |
| 1.3 论文主要研究内容 | 第15页 |
| 1.4 论文的整体结构 | 第15-17页 |
| 第二章 网络爬虫关键技术 | 第17-27页 |
| 2.1 网络爬虫概述 | 第17-19页 |
| 2.1.1 网络爬虫在搜索引擎中的地位 | 第17页 |
| 2.1.2 网络爬虫基本结构和原理 | 第17-19页 |
| 2.2 关键技术 | 第19-27页 |
| 2.2.1 Hadoop | 第19-22页 |
| 2.2.2 HBase | 第22-24页 |
| 2.2.3 SimHash | 第24-27页 |
| 第三章 网页抓取优先级评估方案 | 第27-39页 |
| 3.1 网页抓取优先级评估的意义 | 第27-28页 |
| 3.2 网页抓取优先级评估方案概述 | 第28-29页 |
| 3.3 基于网页主题相关度的优先级分析 | 第29-33页 |
| 3.3.1 网页内容的分析 | 第29-30页 |
| 3.3.2 网页结构的分析 | 第30-31页 |
| 3.3.3 网页主题相关度评估 | 第31-33页 |
| 3.4 基于网页链接权威性的优先级分析 | 第33-37页 |
| 3.4.1 链接分析的研究现状 | 第33-34页 |
| 3.4.2 HITS算法的缺点 | 第34页 |
| 3.4.3 HITS算法的优化 | 第34-36页 |
| 3.4.4 HTIS优化算法的实现 | 第36-37页 |
| 3.5 基于网页更新频率的优先级分析 | 第37页 |
| 3.6 总结 | 第37-39页 |
| 第四章 主题爬虫搜索策略的设计 | 第39-51页 |
| 4.1 主题爬虫搜索框架 | 第39-40页 |
| 4.1.1 在线处理流程 | 第39-40页 |
| 4.1.2 离线处理流程 | 第40页 |
| 4.2 网页类型判断 | 第40-43页 |
| 4.2.1 判断意义 | 第41页 |
| 4.2.2 判断流程 | 第41-42页 |
| 4.2.3 实验分析 | 第42-43页 |
| 4.3 文本提取 | 第43-45页 |
| 4.3.1 提取意义 | 第43页 |
| 4.3.2 研究现状 | 第43-44页 |
| 4.3.3 正文提取方法 | 第44页 |
| 4.3.4 实验分析 | 第44-45页 |
| 4.4 网页信息持久化 | 第45-48页 |
| 4.4.1 网页信息存储 | 第45页 |
| 4.4.2 更新间隔设定 | 第45-47页 |
| 4.4.3 网页去重 | 第47-48页 |
| 4.5 其他 | 第48-50页 |
| 4.5.1 搜索任务调度 | 第48页 |
| 4.5.2 反作弊 | 第48-50页 |
| 4.6 总结 | 第50-51页 |
| 第五章 主题爬虫搜索策略的实现 | 第51-61页 |
| 5.1 数据库的设计 | 第51-53页 |
| 5.1.1 数据库的选择 | 第51-52页 |
| 5.1.2 数据库的架构 | 第52页 |
| 5.1.3 数据表的设计 | 第52-53页 |
| 5.2 搜索任务的设计 | 第53-56页 |
| 5.2.1 初始化Job | 第54页 |
| 5.2.2 任务调度Job | 第54-55页 |
| 5.2.3 抓取Job | 第55页 |
| 5.2.4 其他Job | 第55-56页 |
| 5.3 实验与分析 | 第56-59页 |
| 5.3.1 实验环境 | 第56页 |
| 5.3.2 数据准备 | 第56页 |
| 5.3.3 性能指标 | 第56页 |
| 5.3.4 实验结果与分析 | 第56-59页 |
| 5.4 总结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
