更新时间：2021-04-02 22:21:53
封面
版权信息
内容简介
前言
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
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
2.3 Google的成功之道——GFS
2.4 Google网页存储秘诀——BigTable
2.5 Google的成功之道——MapReduce算法
2.6 Nutch中的分布式
第3章 爬虫的“方方面面”
3.1 爬虫中的“黑洞”
3.2 主题爬虫和限定爬虫
3.3 有“道德”的爬虫
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
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
第6章 多媒体抽取
6.1 视频抽取
6.2 音频抽取
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”
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
8.4 PageRank的兄弟HITS
8.5 PageRank与HITS比较
第9章 去掉“重复”的文档
9.1 何为“重复”的文档
9.2 利用“语义指纹”排重
9.3 SimHash排重
9.4 分布式文档排重
第10章 分类与聚类的应用
10.1 网页分类
10.2 网页聚类
