论文目录 | |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 论文主要内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-16页 |
| 第二章 分布式垂直爬虫相关技术介绍 | 第16-24页 |
| 2.1 网络爬虫介绍 | 第16-17页 |
| 2.1.1 爬虫原理介绍 | 第16页 |
| 2.1.2 分布式网络爬虫 | 第16-17页 |
| 2.2 Hadoop相关技术 | 第17-20页 |
| 2.2.1 MapReduce介绍 | 第17-18页 |
| 2.2.2 ChainMapper/ChainReducer实现原理 | 第18-19页 |
| 2.2.3 HDFS介绍 | 第19-20页 |
| 2.3 动态网页爬虫技术 | 第20-22页 |
| 2.3.1 JavaScript介绍 | 第20-21页 |
| 2.3.2 Ajax技术介绍 | 第21-22页 |
| 2.4 其他相关技术介绍 | 第22-23页 |
| 2.4.1 Redis数据库 | 第22-23页 |
| 2.5 本章总结 | 第23-24页 |
| 第三章 分布式垂直爬虫框架ChainMR Crawler设计与实现 | 第24-38页 |
| 3.1 ChainMR Crawler整体设计 | 第24-29页 |
| 3.1.1 Robots协议 | 第24-25页 |
| 3.1.2 下载模块设计 | 第25-26页 |
| 3.1.3 URL管理模块设计 | 第26-27页 |
| 3.1.4 解析模块设计 | 第27-28页 |
| 3.1.5 存储模块设计 | 第28-29页 |
| 3.2 基于ChainMapper/ChainReducer的爬虫实现 | 第29-36页 |
| 3.2.1 基于ChainMapper/ChainReducer爬虫总体实现 | 第29-30页 |
| 3.2.2 下载模块实现 | 第30-32页 |
| 3.2.3 URL管理模块实现 | 第32-33页 |
| 3.2.4 解析模块实现 | 第33-34页 |
| 3.2.5 存储模块实现 | 第34-35页 |
| 3.2.6 RedisInputFormat输入模块实现 | 第35页 |
| 3.2.7 爬虫任务Job实现 | 第35-36页 |
| 3.3 ChainMR Crawler框架实验分析 | 第36-37页 |
| 3.4 本章总结 | 第37-38页 |
| 第四章 基于状态转换图的动态网页处理 | 第38-46页 |
| 4.1 传统爬取算法不足分析 | 第38页 |
| 4.2 基于状态转换图的动态网页处理算法 | 第38-41页 |
| 4.2.1 状态转换图 | 第39-40页 |
| 4.2.2 基于状态转换图的爬取算法 | 第40-41页 |
| 4.3 算法存在的问题 | 第41页 |
| 4.4 基于状态转换图的动态网页处理算法改进 | 第41-43页 |
| 4.4.1 针对页面主体模块进行页面相似性判定 | 第41-42页 |
| 4.4.2 触发有效元素 | 第42-43页 |
| 4.4.3 改进后基于状态转换图的广度优先爬取算法 | 第43页 |
| 4.5 基于状态转换图的动态网页改进算法实验 | 第43-45页 |
| 4.6 本章总结 | 第45-46页 |
| 第五章 基于ChainMR Crawler的手机App信息爬虫系统 | 第46-54页 |
| 5.1 手机App信息爬虫系统设计实现 | 第46-49页 |
| 5.1.1 手机App信息爬虫系统内部架构 | 第46-47页 |
| 5.1.2 手机App信息爬虫系统的工作流程 | 第47页 |
| 5.1.3 手机App爬虫系统具体实现 | 第47-49页 |
| 5.2 手机App信息爬虫系统展示 | 第49-50页 |
| 5.3 系统测试 | 第50-53页 |
| 5.3.1 实验环境 | 第50-51页 |
| 5.3.2 系统功能测试 | 第51页 |
| 5.3.3 系统性能测试 | 第51-52页 |
| 5.3.4 扩展性测试 | 第52-53页 |
| 5.4 本章总结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 本文工作总结 | 第54页 |
| 6.2 进一步研究方向 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间发表的学术论文 | 第62页 |
