复合规则驱动聚焦爬虫系统的设计与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景及研究的目的和意义 | 第8页 |
| 1.2 本课题相关理论的发展概况 | 第8-10页 |
| 1.2.1 聚焦爬虫的发展 | 第8-10页 |
| 1.2.2 中文文本分类 | 第10页 |
| 1.3 本文的主要研究内容 | 第10-12页 |
| 第2章 聚焦爬虫系统需求分析 | 第12-20页 |
| 2.1 系统概述 | 第12-14页 |
| 2.2 系统需求 | 第14-19页 |
| 2.2.1 网页内容获取模块 | 第14-16页 |
| 2.2.2 显示查询模块 | 第16-19页 |
| 2.3 需要解决的问题 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 聚焦爬虫系统设计 | 第20-42页 |
| 3.1 系统总体设计 | 第20页 |
| 3.2 显示查询模块设计 | 第20-22页 |
| 3.3 网页内容获取模块设计 | 第22-34页 |
| 3.3.1 网页采集子模块的设计 | 第23-25页 |
| 3.3.2 去重检测子模块的设计 | 第25-27页 |
| 3.3.3 复合规则聚焦策略的设计 | 第27-31页 |
| 3.3.4 数据存储模块的设计 | 第31-33页 |
| 3.3.5 URL调度子模块的设计 | 第33-34页 |
| 3.4 系统详细设计 | 第34-36页 |
| 3.5 系统数据库设计 | 第36-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 聚焦爬虫系统实现 | 第42-64页 |
| 4.1 网页采集子模块的实现 | 第42-47页 |
| 4.1.1 代码加密页面的获取 | 第42页 |
| 4.1.2 网页正文内容的获取 | 第42-45页 |
| 4.1.3 网页采集子模块程序流程 | 第45-47页 |
| 4.2 去重检测子模块的实现 | 第47-51页 |
| 4.2.1 去重检测方法simhash实现 | 第48-49页 |
| 4.2.2 计算海明距离的剪枝算法 | 第49-51页 |
| 4.3 复合规则聚焦策略的实现 | 第51-55页 |
| 4.3.1 连接分析器的实现 | 第51-53页 |
| 4.3.2 内容分析器的实现 | 第53-55页 |
| 4.4 数据存储模块的实现 | 第55-57页 |
| 4.5 URL调度子模块的实现 | 第57-59页 |
| 4.5.1 对域名的调度 | 第57页 |
| 4.5.2 对URL的调度 | 第57-59页 |
| 4.6 系统的运行页面 | 第59-63页 |
| 4.7 本章小结 | 第63-64页 |
| 第5章 聚焦爬虫系统测试 | 第64-71页 |
| 5.1 显示查询模块测试 | 第64-68页 |
| 5.2 网页内容获取模块测试 | 第68-69页 |
| 5.3 系统性能测试 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 个人简历 | 第77页 |
