基于网页分块的主题爬虫技术研究
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第8-12页 |
1.1 选题背景及意义 | 第8页 |
1.2 国内外研究现状及发展趋势 | 第8-10页 |
1.3 本文的主要研究内容 | 第10页 |
1.4 本文的组织结构 | 第10-12页 |
第二章 网络爬虫概述 | 第12-22页 |
2.1 通用网络爬虫 | 第12-14页 |
2.1.1 通用爬虫的工作原理 | 第12-13页 |
2.1.2 通用爬虫爬行策略 | 第13-14页 |
2.2 主题网络爬虫 | 第14-20页 |
2.2.1 主题爬虫的工作原理 | 第14-15页 |
2.2.2 主题爬虫搜索策略 | 第15-20页 |
2.3 通用爬虫与主题爬虫对比 | 第20-21页 |
2.3.1 通用爬虫存在的问题 | 第20页 |
2.3.2 主题爬虫存在的问题 | 第20-21页 |
2.4 本章小结 | 第21-22页 |
第三章 主题爬虫关键技术研究 | 第22-33页 |
3.1 HTML语法分析 | 第22-23页 |
3.2 网页预处理 | 第23-26页 |
3.2.1 网页规范化 | 第23-24页 |
3.2.2 构建DOM树 | 第24-26页 |
3.3 主题描述方法 | 第26-27页 |
3.4 主题相关性判断 | 第27-28页 |
3.5 特征词加权 | 第28-29页 |
3.6 网页分块 | 第29-32页 |
3.6.1 基于标签树的网页分块 | 第30-31页 |
3.6.2 基于可视化信息的网页分块 | 第31-32页 |
3.7 本章小结 | 第32-33页 |
第四章 基于标签属性和视觉信息的主题相关块提取 | 第33-39页 |
4.1 初步分块原理 | 第33-35页 |
4.1.1 结构标签分析 | 第33页 |
4.1.2 视觉信息提取 | 第33-34页 |
4.1.3 分块粒度控制 | 第34-35页 |
4.2 内容块分类 | 第35-36页 |
4.3 主题文本块提取算法 | 第36-38页 |
4.4 本章小结 | 第38-39页 |
第五章 引入主题链接块权重因子的候选链接搜索策略 | 第39-43页 |
5.1 Shark-Search算法 | 第39-40页 |
5.2 主题链接块提取 | 第40-41页 |
5.2.1 主题链接块特征 | 第40页 |
5.2.2 提取规则 | 第40-41页 |
5.3 改进搜索策略描述 | 第41-42页 |
5.4 本章小结 | 第42-43页 |
第六章 实验分析 | 第43-50页 |
6.1 系统架构与实验环境 | 第43-44页 |
6.2 参数设置 | 第44-45页 |
6.3 评价指标 | 第45-46页 |
6.4 实验结果分析 | 第46-49页 |
6.4.1 查准率和信息量对比 | 第46-47页 |
6.4.2 主题漂移率对比 | 第47-49页 |
6.5 本章小结 | 第49-50页 |
第七章 总结与展望 | 第50-51页 |
参考文献 | 第51-54页 |
攻读硕士期间发表的学术论文和科研成果 | 第54-55页 |
致谢 | 第55页 |