《自己动手写网络爬虫》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》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。第1章 全面剖析网络爬虫 3
| 1.1 抓取网页 | 1.3.3 使用berkeley db构建爬虫队列示例 |
| 1.1.1 深入理解url | 1.3.4 使用布隆过滤器构建visited表 |
| 1.1.2 通过指定的url抓取网页内容 | 1.3.5 详解heritrix爬虫队列 |
| 1.1.3 java网页抓取示例 | 1.4 设计爬虫架构 . |
| 1.1.4 处理http状态码 | 1.4.1 爬虫架构 |
| 1.2 宽度优先爬虫和带偏好的爬虫 | 1.4.2 设计并行爬虫架构 |
| 1.2.1 图的宽度优先遍历 | 1.4.3 详解heritrix爬虫架构 |
| 1.2.2 宽度优先遍历互联网 | 1.5 使用多线程技术提升爬虫性能 |
| 1.2.3 java宽度优先爬虫示例 | 1.5.1 详解java多线程 |
| 1.2.4 带偏好的爬虫 | 1.5.2 爬虫中的多线程 |
| 1.2.5 java带偏好的爬虫示例 | 1.5.3 一个简单的多线程爬虫实现 |
| 1.3 设计爬虫队列 | 1.5.4 详解heritrix多线程结构 |
| 1.3.1 爬虫队列 | 1.6 本章小结 |
| 1.3.2 使用berkeley db构建爬虫队列 |
展开
第2章 分布式爬虫 69
| 2.1 设计分布式爬虫 | 2.4.2 开源bigtable--hbase |
| 2.1.1 分布式与云计算 | 2.5 google的成功之道--mapreduce算法 |
| 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 | 2.5.1 详解mapreduce算法 |
| 2.2 分布式存储 | 2.5.2 mapreduce容错处理 |
| 2.2.1 从ralation_db到key/value存储 | 2.5.3 mapreduce实现架构 |
| 2.2.2 consistent hash算法 | 2.5.4 hadoop中的mapreduce简介 |
| 2.2.3 consistent hash代码实现 | 2.5.5 wordcount例子的实现 |
| 2.3 google的成功之道--gfs | 2.6 nutch中的分布式 |
| 2.3.1 gfs详解 | 2.6.1 nutch爬虫详解 |
| 2.3.2 开源gfs--hdfs | 2.6.2 nutch中的分布式 |
| 2.4 google网页存储秘诀--bigtable | 2.7 本章小结 |
| 2.4.1 详解bigtable |
第3章 爬虫的"方方面面"121
| 3.1 爬虫中的"黑洞" | 3.2.3 理解限定爬虫 |
| 3.2 限定爬虫和主题爬虫 | 3.2.4 java限定爬虫示例 |
| 3.2.1 理解主题爬虫 | 3.3 有"道德"的爬虫 |
| 3.2.2 java主题爬虫 | 3.4 木章小结 |
第4章 "处理"html页面 159
| 4.1 征服正则表达式 | 4.3 抽取正文 |
| 4.1.1 学习正则表达式 | 4.4 从javascript中抽取信息 |
| 4.1.2 java正则表达式 | 4.4.1 javascript抽取方法 |
| 4.2 抽取html正文 | 4.4.2 javascript抽取示例 |
| 4.2.1 了解htmlparser | 4.5本章小结 |
| 4.2.2 使用正则表达式抽取示例 |
第5章 非html正文抽取 201
| 5.1 抽取pdf文件 | 5.2.2 使用poi抽取word示例 |
| 5.1.1 学习pdfbox | 5.2.3 使用poi抽取ppt示例 |
| 5.1.2 使用pdfbox抽取示例 | 5.2.4 使用poi抽取excel示例 |
| 5.1.3 提取pdf文件标题 | 5.3 抽取rtf 5.3.1 开源rtf文件解析器 |
| 5.1.4 处理pdf格式的公文 | 5.3.2 实现一个rtf文件解析器 |
| 5.2 抽取office文档 | 5.3.3 解析rtf示例 |
| 5.2.1 学习poi | 5.4 本章小结 |
第6章 多媒体抽取 231
| 6.1 抽取视频 | 6.2 音频抽取 |
| 6.1.1 抽取视频关键帧 | 6.2.1 抽取音频 |
| 6.1.2 java视频处理框架 | 6.2.2 学习java音频抽取技术 |
| 6.1.3 java视频抽取示例 | 6.3 本章小结 |
第7章去掉网页中的"噪声" 257
| 7.1 "噪声"对网页的影响 | 7.3 利用"视觉"消除"噪声" |
| 7.2 利用"统计学"消除"噪声" | 7.3.1 "视觉"与"噪声" |
| 7.2.1 网站风格树 | 7.3.2 "视觉去噪"java实现 |
| 7.2.2"统计学去噪"java实现 | 7.4 本章小结 |
第8章 分析web图 283
| 8.1 存储web"图" | 8.4 pagerank的兄弟hits |
| 8.2 利用web"图"分析链接 | 8.4.1 深入理解hits算法 |
| 8.3 google的秘密--pagerank | 8.4.2 hits算法的java实现 |
| 8.3.1 深入理解pagerank算法 | 8.4.3 应用hits进行链接分析 |
| 8.3.2 pagerank算法的java实现 | 8.5 pagerank与hits的比较 |
| 8.3.3 应用pagerank进行链接分析 | 8.6 本章小结 |
第9章 去掉重复的"文档" 317
| 9.1 何为"重复"的文档 | 9.4 simhash排重 |
| 9.2 去除"重复"文档--排重 | 9.4.1 理解simhash |
| 9.3 利用"语义指纹"排重 | 9.4.2 simhash排重的java实现 |
| 9.3.1 理解"语义指纹" | 9.5 分布式文档排重 |
| 9.3.2 "语义指纹"排重的java实现 | 9.6 本章小结 |
第10章 分类与聚类的应用 333
| 10.1 网页分类 10.1.1 收集语料库 | 10.2 网页聚类 |
| 10.1.2 选取网页的"特征" | 10.2.1 深入理解dbscan算法 |
| 10.1.3 使用支持向量机进行网页分类 | 10.2.2 使用dbscan算法聚类实例 |
| 10.1.4 利用url地址进行网页分类 | 10.3 本章小结 |
| 10.1.5 使用adaboost进行网页分类 |
微信
支付宝
