基于关键词的搜索引擎网页去重算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.3 论文主要内容 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 Web网页结构和搜索引擎原理 | 第17-23页 |
| 2.1 Web网页 | 第17-18页 |
| 2.2 搜索引擎工作原理 | 第18-21页 |
| 2.3 网页数据去重 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 网页正文内容提取 | 第23-32页 |
| 3.1 概述 | 第23-26页 |
| 3.2 网页正文内容提取方法 | 第26-31页 |
| 3.2.1 网页预处理 | 第27-29页 |
| 3.2.2 去除噪声节点 | 第29页 |
| 3.2.3 定位候选正文树节点 | 第29-30页 |
| 3.2.4 从候选树节点中提取正文内容 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于关键词的网页去重原理及改进 | 第32-45页 |
| 4.1 网页分词 | 第32-33页 |
| 4.2 网页相似度改进算法 | 第33-39页 |
| 4.2.1 SimHash算法 | 第33-37页 |
| 4.2.2 SimHash算法实际数据测试 | 第37-38页 |
| 4.2.3 SimHash算法的改进 | 第38-39页 |
| 4.3 基于关键词的搜索引擎网页数据去重基本方案 | 第39-44页 |
| 4.3.1 算法概述 | 第40页 |
| 4.3.2 网页数据的关键词抽取 | 第40-42页 |
| 4.3.3 关键字抽取流程 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 改进网页去重算法的实现与分析 | 第45-58页 |
| 5.1 实验环境 | 第46-50页 |
| 5.1.1 JDK安装和Java环境变量配置 | 第48页 |
| 5.1.2 安装Tomcat | 第48-49页 |
| 5.1.3 配置和应用Nutch | 第49-50页 |
| 5.2 基于关键词的网页数据去重算法的实现 | 第50-55页 |
| 5.2.1 Nutch中增加中文分词模块 | 第50-53页 |
| 5.2.2 Nutch中增加网页去重模块 | 第53-55页 |
| 5.3 实验结果分析 | 第55-57页 |
| 5.3.1 实验对比标准 | 第55页 |
| 5.3.2 实验数据集 | 第55-56页 |
| 5.3.3 实验结果及分析 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结和展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 主要学术研究成果 | 第63页 |
