自己动手写网络爬虫 PDF 高清电子书 免费下载 完整版 在线阅读- 高飞网
自己动手写网络爬虫

自己动手写网络爬虫

罗刚
爬虫
浏览人数:121 在读人数:3
读者:      
  《自己动手写网络爬虫(附光盘)》介绍了网络爬虫开发中的关键问题与java实现。主要包括从互联网获取信息与提取信息和对web信息挖掘等内容。《自己动手写网络爬虫(附光盘)》在介绍基本原理的同时注重辅以具体代码实现来帮助读者加深理解,书中部分代码甚至可以直接使用。《自己动手写网络爬虫(附光盘)》适用于有java程序设计基础的开发人员。同时也可以作为计算机相关专业本科生或研究生的参考教材。

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   
1.2宽度优先爬虫和带偏好的爬虫   
1.3设计爬虫队列   
1.4设计爬虫架构   
1.5使用多线程技术提升爬虫性能   
1.6本章小结   
第2章分布式爬虫   
2.1设计分布式爬虫   
2.2分布式存储   
2.3Google的成功之道——GFS   
2.4Google网页存储秘诀——BigTable   
2.5Google的成功之道——MapReduce算法   
2.6Nutch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   
3.3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   
4.2抽取HTML正文   
4.3抽取正文   
4.4从JavaScript中抽取信息   
4.5本章小结   
第5章非HTML正文抽取   
5.1抽取PDF文件   
5.2抽取Office文档   
5.3抽取RTF   
5.4本章小结   
第6章多媒体抽取   
6.1抽取视频   
6.2音频抽取   
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”   
7.3利用“视觉”消除“噪声”   
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   
8.3Google的秘密——PageRank   
8.4PageRank的兄弟HITS   
8.5PageRank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   
9.4SimHash排重   
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   
10.2网页聚类   
10.3本章小结   
看过本书的人还看过