| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 研究内容及贡献 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第二章 技术背景 | 第17-24页 |
| 2.1 爬虫系统介绍 | 第17-18页 |
| 2.2 网址属性提取算法 | 第18-19页 |
| 2.3 属性量化算法介绍 | 第19-20页 |
| 2.4 训练算法介绍 | 第20-21页 |
| 2.5 字典树介绍 | 第21页 |
| 2.6 thrift介绍 | 第21-22页 |
| 2.7 zookeeper介绍 | 第22-24页 |
| 第三章 基于网址特征提取的布隆过滤器动态查重 | 第24-36页 |
| 3.1 电商网站调研 | 第24-25页 |
| 3.2 布隆过滤器查重 | 第25-26页 |
| 3.3 基于网址特征的布隆过滤器动态查重 | 第26-29页 |
| 3.4 基于网址特征提取布隆过滤器的实现过程 | 第29-33页 |
| 3.4.1 改进的网址属性提取算法设计与实现 | 第29-30页 |
| 3.4.2 网址属性量化算法选择 | 第30-32页 |
| 3.4.3 训练算法选择 | 第32页 |
| 3.4.4 布隆过滤器实现 | 第32-33页 |
| 3.5 算法实现与实验 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于网址指纹的网页动态查重 | 第36-50页 |
| 4.1 传统网页查重算法分析 | 第36-39页 |
| 4.1.1 Shingling网页查重 | 第36-38页 |
| 4.1.2 SimHash网页查重 | 第38-39页 |
| 4.2 基本概念定义 | 第39-41页 |
| 4.3 基于网址指纹的网页动态查重算法设计 | 第41-43页 |
| 4.3.1 网址指纹提取算法设计 | 第42-43页 |
| 4.3.2 字典树设计 | 第43页 |
| 4.4 基于网址指纹的网页查重算法实现过程 | 第43-47页 |
| 4.4.1 网址属性提取和量化实现 | 第43-44页 |
| 4.4.2 词典库实现过程 | 第44-45页 |
| 4.4.3 字典树的实现过程 | 第45-46页 |
| 4.4.4 测试样本网页重复率计算 | 第46-47页 |
| 4.5 实验与分析 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 基于分布式查重系统的设计与实现 | 第50-59页 |
| 5.1 传统分布式查重系统介绍 | 第50-51页 |
| 5.2 基于主题的分布式爬虫系统设计介绍 | 第51-53页 |
| 5.3 基于主题的分布式查重系统设计 | 第53-54页 |
| 5.4 查重系统的实现 | 第54-58页 |
| 5.4.1 Thrift通信系统设计与实现 | 第55-56页 |
| 5.4.2 Redis缓存系统设计与实现 | 第56-57页 |
| 5.4.3 Redis操作类设计与实现 | 第57页 |
| 5.4.4 zookeeper分布式同步系统设计与实现 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结 | 第59-61页 |
| 文献引用 | 第61-64页 |
| 附录 | 第64-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间发表的论文 | 第73页 |