| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究内容与目标 | 第10-11页 |
| 1.3 论文结构 | 第11-12页 |
| 第二章 相关技术研究 | 第12-24页 |
| 2.1 垂直搜索引擎概述 | 第12-13页 |
| 2.1.1 原理和架构 | 第12-13页 |
| 2.1.2 垂直搜索引擎评价指标 | 第13页 |
| 2.2 数据获取 | 第13-16页 |
| 2.2.1 被动数据获取 | 第14-15页 |
| 2.2.2 主动数据获取 | 第15-16页 |
| 2.3 信息提取 | 第16-17页 |
| 2.4 本文用到的开源软件和相关技术 | 第17-24页 |
| 2.4.1 Heritrix | 第17-19页 |
| 2.4.2 Scrapy | 第19-20页 |
| 2.4.3 JavaScript | 第20-21页 |
| 2.4.4 Sitemap | 第21-22页 |
| 2.4.5 Jsoup | 第22-24页 |
| 第三章 主题爬虫的研究与实现 | 第24-44页 |
| 3.1 主题爬虫的需求分析 | 第24-26页 |
| 3.1.1 整体系统需求分析和爬虫需求分析 | 第24页 |
| 3.1.2 整体架构设计和爬虫资源分配 | 第24-26页 |
| 3.1.3 开发环境介绍 | 第26页 |
| 3.2 主题爬虫的设计 | 第26-32页 |
| 3.2.1 主题爬虫的需求分析 | 第27页 |
| 3.2.2 主题爬虫的总体设计 | 第27-32页 |
| 3.3 主题爬虫的实现 | 第32-41页 |
| 3.3.1 视频主题爬虫定制和启动 | 第33-40页 |
| 3.3.2 视频爬虫增量更新 | 第40-41页 |
| 3.4 主题爬虫的评价指标和测试 | 第41-44页 |
| 3.4.1 主题爬虫的覆盖率 | 第41-42页 |
| 3.4.2 主题爬虫的及时性 | 第42-44页 |
| 第四章 动态数据采集技术 | 第44-51页 |
| 4.1 动态数据环境概述 | 第44页 |
| 4.2 动态数据的采集 | 第44-47页 |
| 4.2.1 基于JavaScript源码分析的方案 | 第45-46页 |
| 4.2.2 基于浏览器内核的方案 | 第46-47页 |
| 4.3 增强主题爬虫的灵活性 | 第47-51页 |
| 4.3.1 robots协议 | 第47-49页 |
| 4.3.2 控制访问频率 | 第49-51页 |
| 第五章 结构化信息提取技术 | 第51-60页 |
| 5.1 基于xpath的信息提取 | 第51-56页 |
| 5.1.1 工具箱模块 | 第52-55页 |
| 5.1.2 信息提取模块 | 第55-56页 |
| 5.2 自动化信息提取 | 第56-58页 |
| 5.3 数据验证与测试 | 第58-60页 |
| 5.3.1 提取性能测试 | 第58页 |
| 5.3.2 自动化测试 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文和科研情况 | 第65页 |