摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-16页 |
1.1 研究背景与意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.3 本文主要研究内容 | 第14-15页 |
1.4 本文结构安排 | 第15-16页 |
第二章 关键词选择算法和爬虫技术基础 | 第16-31页 |
2.1 自适应贪婪选算法 | 第16-23页 |
2.1.1 深度网络关键词查询模型 | 第16-18页 |
2.1.2 深度网络爬虫算法 | 第18页 |
2.1.3 深度网络关键词选择 | 第18-20页 |
2.1.4 关键词匹配文档比例估计 | 第20-21页 |
2.1.5 关键词选取策略 | 第21-22页 |
2.1.6 返回结果受限制网络中的贪婪选词法 | 第22-23页 |
2.2 文档下载技术 | 第23页 |
2.3 URL去重技术 | 第23-26页 |
2.3.1 基于内存数据库的去重方式 | 第24-25页 |
2.3.2 基于布隆过滤器的去重方式 | 第25-26页 |
2.4 文档信息抽取技术 | 第26-29页 |
2.4.1 基于正则表达式的抽取信息方式 | 第27-28页 |
2.4.2 基于文档去噪抽取信息方式 | 第28-29页 |
2.4.3 基于Web文档半结构化属性抽取信息方式 | 第29页 |
2.5 本章小结 | 第29-31页 |
第三章 改进的深度网络查询关键词选择算法 | 第31-42页 |
3.1 基于相关度筛选的自适应贪婪算法 | 第31-36页 |
3.1.1 自适应贪婪算法的不足 | 第31-32页 |
3.1.2 基于关键词相关度筛选的自适应贪婪算法 | 第32-35页 |
3.1.3 测试方案设计 | 第35-36页 |
3.2 关键词加权选词算法 | 第36-41页 |
3.2.1 文档和关键词对应的无向图模型 | 第36-37页 |
3.2.2 自适应贪婪算法在返回结果受限制网络中的不足 | 第37页 |
3.2.3 基于关键词加权的选词法 | 第37-40页 |
3.2.4 返回结果受限制网络中的爬虫算法 | 第40-41页 |
3.2.5 测试方案设计 | 第41页 |
3.3 本章小结 | 第41-42页 |
第四章 爬虫系统的设计与实现 | 第42-58页 |
4.1 爬虫系统整体架构 | 第42-44页 |
4.2 线程管理模块实现 | 第44-45页 |
4.3 配置管理模块实现 | 第45页 |
4.4 文档下载模块实现 | 第45-47页 |
4.5 信息抽取模块实现 | 第47-49页 |
4.5.1 文档中超链接的抽取 | 第47页 |
4.5.2 文档中文本信息抽取 | 第47-49页 |
4.6 文本缓存模块实现 | 第49-50页 |
4.7 URL管理模块实现 | 第50-52页 |
4.7.1 URL去重管理模块实现 | 第50-51页 |
4.7.2 URL调度模块实现 | 第51-52页 |
4.8 查询请求生成模块设计与实现 | 第52-57页 |
4.8.1 文本分词模块设计 | 第52-53页 |
4.8.2 选词算法模块设计与实现 | 第53-57页 |
4.8.3 查询URL的合成 | 第57页 |
4.9 本章小结 | 第57-58页 |
第五章 测试与验证 | 第58-68页 |
5.1 爬虫测试 | 第58-60页 |
5.2 基于关键词相关度筛选的自适应贪婪算法的测试 | 第60-63页 |
5.3 关键词加权选词法在返回结果受限制网络的测试 | 第63-67页 |
5.4 本章小结 | 第67-68页 |
第六章 总结与展望 | 第68-70页 |
6.1 工作总结 | 第68-69页 |
6.2 未来展望 | 第69-70页 |
致谢 | 第70-71页 |
参考文献 | 第71-74页 |