自己動(dòng)手寫網(wǎng)絡(luò)爬蟲

第1篇 自己動(dòng)手抓取數(shù)據(jù)
第1章 全面剖析網(wǎng)絡(luò)爬蟲
1.1 抓取網(wǎng)頁
1.1.1 深入理解URL
1.1.2 通過指定的URL抓取網(wǎng)頁內(nèi)容
1.1.3 Java網(wǎng)頁抓取示例
1.1.4 處理HTTP狀態(tài)碼
1.2 寬度優(yōu)先爬蟲和帶偏好的爬蟲
1.2.1 圖的寬度優(yōu)先遍歷
1.2.2 寬度優(yōu)先遍歷互聯(lián)網(wǎng)
1.2.3 Java寬度優(yōu)先爬蟲示例
1.2.4 帶偏好的爬蟲
1.2.5 Java帶偏好的爬蟲示例
1.3 設(shè)計(jì)爬蟲隊(duì)列
1.3.1 爬蟲隊(duì)列
1.3.2 使用Berkeley DB構(gòu)建爬蟲隊(duì)列
1.3.3 使用Berkeley DB構(gòu)建爬蟲隊(duì)列示例
1.3.4 使用布隆過濾器構(gòu)建Visited表
1.3.5 詳解Heritrix爬蟲隊(duì)列
1.4 設(shè)計(jì)爬蟲架構(gòu)
1.4.1 爬蟲架構(gòu)
1.4.2 設(shè)計(jì)并行爬蟲架構(gòu)
1.4.3 詳解Heritrix爬蟲架構(gòu)
1.5 使用多線程技術(shù)提升爬蟲性能
1.5.1 詳解Java多線程
1.5.2 爬蟲中的多線程
1.5.3 一個(gè)簡單的多線程爬蟲實(shí)現(xiàn)
1.5.4 詳解Heritrix多線程結(jié)構(gòu)
1.6 本章小結(jié)

第2章 分布式爬蟲
2.1 設(shè)計(jì)分布式爬蟲
2.1.1 分布式與云計(jì)算
2.1.2 分布式與云計(jì)算技術(shù)在爬蟲中的應(yīng)用——淺析Google的云計(jì)算架構(gòu)
2.2 分布式存儲(chǔ)
2.2.1 從Ralation_DB到key/value存儲(chǔ)
2.2.2 Consistent Hash算法
2.2.3 Consistent Hash代碼實(shí)現(xiàn)
2.3 Google的成功之道——GFS
2.3.1 GFS詳解
2.3.2 開源GFS——HDFS
2.4 Google網(wǎng)頁存儲(chǔ)秘訣——BigTable
2.4.1 詳解BigTable
2.4.2 開源BigTable——HBase
2.5 Google的成功之道——MapReduce算法
2.5.1 詳解MapReduce算法
2.5.2 MapReduce容錯(cuò)處理
2.5.3 MapReduce實(shí)現(xiàn)架構(gòu)
2.5.4 Hadoop中的MapReduce簡介
2.5.5 wordCount例子的實(shí)現(xiàn)
2.6 Nutch中的分布式
2.6.1 Nutch爬蟲詳解
2.6.2 Nutch中的分布式
2.7 本章小結(jié)

第3章 爬蟲的“方方面面”
3.1 爬蟲中的“黑洞”
3.2 限定爬蟲和主題爬蟲
3.2.1 理解主題爬蟲
3.2.2 Java主題爬蟲
3.2.3 理解限定爬蟲
3.2.4 Java限定爬蟲示例
3.3 有“道德”的爬蟲
3.4 本章小結(jié)

第2篇 自己動(dòng)手抽取Web內(nèi)容
第4章 處理HTML頁面
4.1 征服正則表達(dá)式
4.1.1 學(xué)習(xí)正則表達(dá)式
4.1.2 Java正則表達(dá)式
4.2 抽取HTML正文
4.2.1 了解HtmlParser
4.2.2 使用正則表達(dá)式抽取示例
4.3 抽取正文
4.4 從JavaScript中抽取信息
4.4.1 JavaScript抽取方法
4.4.2 JavaScript抽取示例
4.5 本章小結(jié)

第5章 非HTML正文抽取
5.1 抽取PDF文件
5.1.1 學(xué)習(xí)PDFBox
5.1.2 使用PDFBox抽取示例
5.1.3 提取PDF文件標(biāo)題
5.1.4 處理PDF格式的公文
5.2 抽取Office文檔
5.2.1 學(xué)習(xí)POI
5.2.2 使用POI抽取Word示例
5.2.3 使用POI抽取PPT
5.2.4 使用POI抽取Excel示例
5.3 抽取RTF
5.3.1 開源RTF文件解析器
5.3.2 實(shí)現(xiàn)一個(gè)RTF文件解析器
5.3.3 解析RTF示例
5.4 本章小結(jié)

第6章 多媒體抽取
6.1 抽取視頻
6.1.1 抽取視頻關(guān)鍵幀
6.1.2 Java視頻處理框架
6.1.3 Java視頻抽取示例
6.2 音頻抽取
6.2.1 抽取音頻
6.2.2 學(xué)習(xí)Java音頻抽取技術(shù)
6.3 本章小結(jié)

第7章 去掉網(wǎng)頁中的“噪聲”
7.1 噪聲對網(wǎng)頁的影響
7.2 利用“統(tǒng)計(jì)學(xué)”消除“噪聲”
7.2.1 網(wǎng)站風(fēng)格樹
7.2.2 統(tǒng)計(jì)學(xué)去噪Java實(shí)現(xiàn)
7.3 利用“視覺”消除“噪聲”
7.3.1 視覺與"噪聲"
7.3.2 視覺去噪Java實(shí)現(xiàn)
7.4 本章小結(jié)

第3篇 自己動(dòng)手挖掘Web數(shù)據(jù)
第8章 分析Web圖
8.1 存儲(chǔ)Web“圖”
8.2 利用Web“圖”分析鏈接
8.3 Google的秘密——PageRank
8.3.1 深入理解PageRank算法
8.3.2 PageRank算法的Java實(shí)現(xiàn)
8.3.3 應(yīng)用PageRank進(jìn)行鏈接分析
8.4 PageRank 的兄弟HITS
8.4.1 深入理解HITS算法
8.4.2 HITS算法的Java實(shí)現(xiàn)
8.4.3 應(yīng)用HITS進(jìn)行鏈接分析
8.5 PageRank與HITS的比較
8.6 本章小結(jié)

第9章 去掉重復(fù)的“文檔”
9.1 何為“重復(fù)”的文檔
9.2 去除“重復(fù)”文檔——排重
9.3 利用“語義指紋”排重
9.3.1 理解“語義指紋”
9.3.2 語義指紋排重的Java實(shí)現(xiàn)
9.4 SimHash排重
9.4.1 理解SimHash
9.4.2 SimHash排重的Java實(shí)現(xiàn)
9.5 分布式文檔排重
9.6 本章小結(jié)

第10章 分類與聚類的應(yīng)用
10.1 網(wǎng)頁分類
10.1.1 收集語料庫
10.1.2 選取網(wǎng)頁的“特征”
10.1.3 使用支持向量機(jī)進(jìn)行網(wǎng)頁分類
10.1.4 利用URL地址進(jìn)行網(wǎng)頁分類
10.1.5 使用AdaBoost進(jìn)行網(wǎng)頁分類
10.2 網(wǎng)頁聚類
10.2.1 深入理解DBScan算法
10.2.2 使用DBScan算法聚類實(shí)例
10.3 本章小結(jié)