| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 本文的研究工作 | 第12-13页 |
| 1.3 本文的组织结构 | 第13-15页 |
| 第2章 相关理论与技术 | 第15-25页 |
| 2.1 云计算技术架构 | 第15-17页 |
| 2.1.1 Google分布式文件系统GFS | 第15-16页 |
| 2.1.2 hadoop分布式文件系统HDFS | 第16-17页 |
| 2.2 key/value数据库——Berkeley DB | 第17-18页 |
| 2.3 Heritrix分析 | 第18-20页 |
| 2.4 数据的判重 | 第20-21页 |
| 2.5 hadoop的使用 | 第21-23页 |
| 2.5.1 配置ssh无密码访问 | 第21页 |
| 2.5.2 安装hadoop | 第21-23页 |
| 2.6 本章小结 | 第23-25页 |
| 第3章 面向分布式爬虫的主题模型关键技术研究 | 第25-35页 |
| 3.1 基于字典的主题模型关键技术研究 | 第25-27页 |
| 3.1.1 基于字典的主题模型的研究方案 | 第25-26页 |
| 3.1.2 基于字典的主题模型的优缺点 | 第26-27页 |
| 3.2 基于文本分析的主题模型关键技术研究 | 第27-30页 |
| 3.2.1 基于文本分析的主题模型的整体结构 | 第27-28页 |
| 3.2.2 文本相关度检查器的研究方案 | 第28-29页 |
| 3.2.3 链接相关度检查的研究方案 | 第29-30页 |
| 3.3 基于网页结构的主题模型关键技术研究 | 第30-33页 |
| 3.3.1 主题模型的总体架构 | 第30-31页 |
| 3.3.2 主题模型抽取器的研究方案 | 第31页 |
| 3.3.3 主题相关度判别器的方案 | 第31-32页 |
| 3.3.4 链接相关性判别器的研究方案 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 分布式爬虫系统关键技术研究 | 第35-45页 |
| 4.1 面向主题的分布式爬虫系统整体架构 | 第35-36页 |
| 4.2 主控节点 | 第36-41页 |
| 4.2.1 主控节点的整体架构 | 第37-38页 |
| 4.2.2 URL判重 | 第38-39页 |
| 4.2.3 主控节点的数据管理 | 第39-40页 |
| 4.2.4 任务的分发 | 第40-41页 |
| 4.3 爬虫子节点 | 第41-43页 |
| 4.3.1 爬虫子节点的整体架构 | 第41-42页 |
| 4.3.2 抓取数据格式信息 | 第42-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第5章 面向主题的分布式爬虫系统设计与实现 | 第45-65页 |
| 5.1 数据管理 | 第45-47页 |
| 5.1.1 主控节点数据管理 | 第45-46页 |
| 5.1.2 爬虫端数据管理 | 第46页 |
| 5.1.3 HDFS中的数据管理 | 第46-47页 |
| 5.2 主控节点功能设计与实现 | 第47-52页 |
| 5.2.1 主控节点启动功能设计与实现 | 第47-48页 |
| 5.2.2 主控节点启动爬虫的设计与实现 | 第48-49页 |
| 5.2.3 主控节点管理模块设计与实现 | 第49-51页 |
| 5.2.4 BloomFilter的设计与实现 | 第51-52页 |
| 5.3 爬虫端的设计与实现 | 第52-60页 |
| 5.3.1 配置管理 | 第52页 |
| 5.3.2 爬虫的启动 | 第52-54页 |
| 5.3.3 爬取线程设计 | 第54-55页 |
| 5.3.4 处理器的设计与实现 | 第55-60页 |
| 5.4 主题算法的实现 | 第60-63页 |
| 5.4.1 基于字典的主题模型算法实现 | 第60-61页 |
| 5.4.2 基于文本分析的主题模型算法实现 | 第61-62页 |
| 5.4.3 基于网页结构的主题模型算法实现 | 第62-63页 |
| 5.5 本章小结 | 第63-65页 |
| 第6章 系统测试和分析 | 第65-75页 |
| 6.1 系统测试环境 | 第65-67页 |
| 6.1.1 硬件/软件环境 | 第65页 |
| 6.1.2 软件环境安装 | 第65-67页 |
| 6.2 系统评价机制 | 第67-68页 |
| 6.3 系统性能测试及结果分析 | 第68-72页 |
| 6.3.1 基于字典的主题模型算法的抓取结果及分析 | 第68-69页 |
| 6.3.2 基于文本分析的主题模型算法的抓取结果及分析 | 第69-70页 |
| 6.3.3 基于网页结构的主题模型算法的爬行结果及其分析 | 第70-71页 |
| 6.3.4 主题爬虫系统与Heritrix爬虫的对比实验及其分析 | 第71-72页 |
| 6.4 HDFS的抓取结果 | 第72-73页 |
| 6.5 本章小结 | 第73-75页 |
| 第7章 总结与展望 | 第75-77页 |
| 7.1 工作总结 | 第75页 |
| 7.2 下一步工作 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 研究生期间参与的项目及获奖情况 | 第83页 |
