自己动手写网络爬虫

第1篇 自己动手抓取数据第1章 全面剖析网络爬虫 31.1 抓取网页 41.1.1 深入理解URL 41.1.2 通过指定的URL抓取网页内容 61.1.3 Java网页抓取示例 81.1.4 处理HTTP状态码 101.2 宽度优先爬虫和带偏好的爬虫 111.2.1 图的宽度优先遍历 121.2.2 宽度优先遍历互联网 131.2.3 Java宽度优先爬虫示例 151.2.4 带偏好的爬虫 221.2.5 Java带偏好的爬虫示例 231.3 设计爬虫队列 241.3.1 爬虫队列 241.3.2 使用Berkeley DB构建爬虫队列 291.3.3 使用Berkeley DB 构建爬虫队列示例 301.3.4 使用布隆过滤器构建Visited表 361.3.5 详解Heritrix爬虫队列 391.4 设计爬虫架构 461.4.1 爬虫架构 461.4.2 设计并行爬虫架构 471.4.3 详解Heritrix爬虫架构 521.5 使用多线程技术提升爬虫性能 551.5.1 详解Java多线程 551.5.2 爬虫中的多线程 591.5.3 一个简单的多线程爬虫实现 601.5.4 详解Heritrix多线程结构 611.6 本章小结 64第2章 分布式爬虫 692.1 设计分布式爬虫 702.1.1 分布式与云计算 702.1.2 分布式与云计算技术在爬虫中的应用——浅析Google的云计算架构 712.2 分布式存储 722.2.1 从Ralation_DB到key/value存储 722.2.2 Consistent Hash算法 742.2.3 Consistent Hash代码实现 792.3 Google的成功之道——GFS 802.3.1 GFS详解 802.3.2 开源GFS——HDFS 842.4 Google网页存储秘诀——BigTable 882.4.1 详解BigTable 882.4.2 开源BigTable——HBase 932.5 Google的成功之道——MapReduce算法 982.5.1 详解MapReduce算法 1002.5.2 MapReduce容错处理 1012.5.3 MapReduce实现架构 1022.5.4 Hadoop中的MapReduce简介 1042.5.5 wordCount例子的实现 1052.6 Nutch中的分布式 1092.6.1 Nutch爬虫详解 1092.6.2 Nutch中的分布式 1162.7 本章小结 118第3章 爬虫的"方方面面" 1213.1 爬虫中的"黑洞" 1223.2 限定爬虫和主题爬虫 1223.2.1 理解主题爬虫 1223.2.2 Java主题爬虫 1283.2.3 理解限定爬虫 1303.2.4 Java限定爬虫示例 1363.3 有"道德"的爬虫 1523.4 本章小结 155第2篇 自己动手抽取Web内容第4章 "处理"HTML页面 1594.1 征服正则表达式 1604.1.1 学习正则表达式 1604.1.2 Java正则表达式 1644.2 抽取HTML正文 1694.2.1 了解HtmlParser 1694.2.2 使用正则表达式抽取示例 1724.3 抽取正文 1794.4 从JavaScript中抽取信息 1944.4.1 JavaScript抽取方法 1954.4.2 JavaScript抽取示例 1974.5 本章小结 199第5章 非HTML正文抽取 2015.1 抽取PDF文件 2025.1.1 学习PDFBox 2025.1.2 使用PDFBox抽取示例 2065.1.3 提取PDF文件标题 2075.1.4 处理PDF格式的公文 2085.2 抽取Office文档 2125.2.1 学习POI 2125.2.2 使用POI抽取Word示例 2135.2.3 使用POI抽取PPT 示例 2155.2.4 使用POI抽取Excel示例 2155.3 抽取RTF 2185.3.1 开源RTF文件解析器 2195.3.2 实现一个RTF文件解析器 2195.3.3 解析RTF示例 2235.4 本章小结 229第6章 多媒体抽取 2316.1 抽取视频 2326.1.1 抽取视频关键帧 2326.1.2 Java视频处理框架 2336.1.3 Java视频抽取示例 2376.2 音频抽取 2496.2.1 抽取音频 2496.2.2 学习Java音频抽取技术 2536.3 本章小结 256第7章 去掉网页中的"噪声" 2577.1 "噪声"对网页的影响 2587.2 利用"统计学"消除"噪声" 2597.2.1 网站风格树 2627.2.2 "统计学去噪"Java实现 2707.3 利用"视觉"消除"噪声" 2747.3.1 "视觉"与"噪声" 2747.3.2 "视觉去噪"Java实现 2757.4 本章小结 279第3篇 自己动手挖掘Web数据第8章 分析Web图 2838.1 存储Web"图" 2848.2 利用Web"图"分析链接 2938.3 Google的秘密——PageRank 2938.3.1 深入理解PageRank算法 2938.3.2 PageRank算法的Java实现 2978.3.3 应用PageRank进行链接分析 3008.4 PageRank 的兄弟HITS 3018.4.1 深入理解HITS算法 3018.4.2 HITS算法的Java实现 3028.4.3 应用HITS进行链接分析 3138.5 PageRank与HITS的比较 3148.6 本章小结 315第9章 去掉重复的"文档" 3179.1 何为"重复"的文档 3189.2 去除"重复"文档——排重 3189.3 利用"语义指纹"排重 3189.3.1 理解"语义指纹" 3209.3.2 "语义指纹"排重的Java实现 3219.4 SimHash排重 3219.4.1 理解SimHash 3229.4.2 SimHash排重的Java实现 3239.5 分布式文档排重 3309.6 本章小结 331第10章 分类与聚类的应用 33310.1 网页分类 33410.1.1 收集语料库 33410.1.2 选取网页的"特征" 33510.1.3 使用支持向量机进行网页分类 33810.1.4 利用URL地址进行网页分类 34010.1.5 使用AdaBoost进行网页分类 34010.2 网页聚类 34310.2.1 深入理解DBScan算法 34310.2.2 使用DBScan算法聚类实例 34410.3 本章小结 346