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 1.1 抓取网页 1.1.1 深入理解URL 1.1.2 通过指定的URL抓取网页内容 1.1.3 Java网页...

第1篇 自己动手抓取数据第1章 全面剖析网络爬虫 1.1 抓取网页 1.1.1 深入理解URL 1.1.2 通过指定的URL抓取网页内容 1.1.3 Java网页抓取示例 1.1.4 处理HTTP状态码 1.2 宽度优先爬虫和带偏好的爬虫 1.2.1 图的宽度优先遍历 1.2.2 宽度优先遍历互联网 1.2.3 Java宽度优先爬虫示例 1.2.4 带偏好的爬虫 1.2.5 Java带偏好的爬虫示例 1.3 设计爬虫队列 1.3.1 爬虫队列 1.3.2 使用Berkeley DB构建爬虫队列 1.3.3 使用Berkeley DB构建爬虫队列示例 1.3.4 使用布隆过滤器构建Visited表 1.3.5 详解Heritrix爬虫队列 1.4 设计爬虫架构 1.4.1 爬虫架构 1.4.2 设计并行爬虫架构 1.4.3 详解Heritrix爬虫架构 1.5 使用多线程技术提升爬虫性能 1.5.1 详解Java多线程 1.5.2 爬虫中的多线程 1.5.3 一个简单的多线程爬虫实现 1.5.4 详解Heritrix多线程结构 1.6 本章小结第2章 分布式爬虫 2.1 设计分布式爬虫 2.1.1 分布式与云计算 2.1.2 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 2.2 分布式存储 2.2.1 从Ralation_DB到keyvalue存储 2.2.2 Consistent Hash算法 2.2.3 Consistent Hash代码实现 2.3 Google的成功之道——GFS 2.3.1 GFS详解 2.3.2 开源GFS——HDFS 2.4 Google网页存储秘诀——BigTable 2.4.1 详解BigTable 2.4.2 开源BigTable——HBase 2.5 Google的成功之道——MapReduce算法 2.5.1 详解MapReduce算法 2.5.2 MapReduce容错处理 2.5.3 MapReduce实现架构 2.5.4 Hadoop中的MapReduce简介 2.5.5 wordCount例子的实现 2.6 Nutch中的分布式 2.6.1 Nutch爬虫详解 2.6.2 Nutch中的分布式 2.7 本章小结第3章 爬虫的“方方面面” 3.1 爬虫中的“黑洞” 3.2 限定爬虫和主题爬虫 3.2.1 理解主题爬虫 3.2.2 Java主题爬虫 3.2.3 理解限定爬虫 3.2.4 Java限定爬虫示例 3.3 有“道德”的爬虫 3.4 本章小结 第2篇 自己动手抽取Web内容第4章 “处理”HTML页面 4.1 征服正则表达式 4.1.1 学习正则表达式 4.1.2 Java正则表达式 4.2 抽取HTML正文 4.2.1 了解HtmlParser 4.2.2 使用正则表达式抽取示例 4.3 抽取正文 4.4 从JavaScript中抽取信息 4.4.1 JavaScript抽取方法 4.4.2 JavaScript抽取示例 4.5 本章小结第5章 非HTML正文抽取 5.1 抽取PDF文件 5.1.1 学习PDFBox 5.1.2 使用PDFBox抽取示例 5.1.3 提取PDF文件标题 5.1.4 处理PDF格式的公文 5.2 抽取Office文档 5.2.1 学习POI 5.2.2 使用POI抽取Word示例 5.2.3 使用POI抽取PPT示例 5.2.4 使用POI抽取Excel示例 5.3 抽取RTF 5.3.1 开源RTF文件解析器 5.3.2 实现一个RTF文件解析器 5.3.3 解析RTF示例 5.4 本章小结第6章 多媒体抽取 6.1 抽取视频 6.1.1 抽取视频关键帧 6.1.2 Java视频处理框架 6.1.3 Java视频抽取示例 6.2 音频抽取 6.2.1 抽取音频 6.2.2 学习Java音频抽取技术 6.3 本章小结第7章 去掉网页中的“噪声” 7.1 “噪声”对网页的影响 7.2 利用“统计学”消除“噪声” 7.2.1 网站风格树 7.2.2 “统计学去噪”Java实现 7.3 利用“视觉”消除“噪声” 7.3.1 “视觉”与“噪声” 7.3.2 “视觉去噪”Java实现 7.4 本章小结 第3篇 自己动手挖掘Web数据第8章 分析Web图 8.1 存储Web“图” 8.2 利用Web“图”分析链接 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实现 8.3.3 应用PageRank进行链接分析 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实现 8.4.3 应用HITS进行链接分析 8.5 PageRank与HITS的比较 8.6 本章小结第9章 去掉重复的“文档” 9.1 何为“重复”的文档 9.2 去除“重复”文档——排重 9.3 利用“语义指纹”排重 9.3.1 理解“语义指纹” 9.3.2 “语义指纹”排重的Java实现 9.4 SimHash排重 9.4.1 理解SimHash 9.4.2 SimHash排重的Java实现 9.5 分布式文档排重 9.6 本章小结第10章 分类与聚类的应用 10.1 网页分类 10.1.1 收集语料库 10.1.2 选取网页的“特征” 10.1.3 使用支持向量机进行网页分类 10.1.4 利用URL地址进行网页分类 10.1.5 使用AdaBoost进行网页分类 10.2 网页聚类 10.2.1 深入理解DBScan算法 10.2.2 使用DBScan算法聚类实例 10.3 本章小结