基于Hadoop的分布式主题爬虫及其实现
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究目的及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 分布式爬虫研究现状 | 第8-9页 |
| 1.2.2 主题爬虫研究现状 | 第9-10页 |
| 1.3 主要研究工作及章节安排 | 第10-13页 |
| 第2章 主题爬虫相关理论及技术 | 第13-23页 |
| 2.1 通用网络爬虫与主题网络爬虫 | 第13-16页 |
| 2.2 分布式网络爬虫 | 第16-18页 |
| 2.3 Hadoop平台 | 第18-23页 |
| 2.3.1 分布式文件系统HDFS | 第19-20页 |
| 2.3.2 分布式计算平台Mapreduce | 第20-23页 |
| 第3章 基于Hadoop的分布式主题爬虫系统设计 | 第23-35页 |
| 3.1 系统需求和设计目标 | 第23页 |
| 3.2 系统流程与基本框架设计 | 第23-28页 |
| 3.3 主题相关度分析 | 第28-35页 |
| 3.3.1 页面主题相关度计算 | 第28-30页 |
| 3.3.2 HTML解析 | 第30-31页 |
| 3.3.3 中文分词 | 第31-32页 |
| 3.3.4 主题向量构建 | 第32-35页 |
| 第4章 分布式主题爬虫实现 | 第35-47页 |
| 4.1 HDFS数据存储 | 第35-37页 |
| 4.2 页面抓取模块 | 第37-38页 |
| 4.3 页面解析模块 | 第38-41页 |
| 4.3.1 页面解析模块实现 | 第38-39页 |
| 4.3.2 页面主题相关度计算 | 第39-41页 |
| 4.4 URL过滤去重模块 | 第41-42页 |
| 4.5 正文抽取模块 | 第42-47页 |
| 第5章 实验结果及分析 | 第47-55页 |
| 5.1 实验平台搭建 | 第47-50页 |
| 5.1.1 搭建环境准备 | 第47-48页 |
| 5.1.2 安装并配置jdk | 第48页 |
| 5.1.3 安装ssh | 第48-49页 |
| 5.1.4 安装hadoop | 第49-50页 |
| 5.2 软件测试结果及分析 | 第50-55页 |
| 5.2.1 功能测试 | 第52页 |
| 5.2.2 性能测试 | 第52-54页 |
| 5.2.3 可扩展性测试 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士学位期间的研究成果 | 第63页 |
