网络爬虫全解析 技术原理与实践(PDF)

『电子书目录』:

第1章 技术基础  14
1.1 第一个程序  14
1.2 准备开发环境  15
1.2.1 JDK  15
1.2.2 Eclipse  16
1.3 类和对象  17
1.4 常量  18
1.5 命名规范  19
1.6 基本语法  19
1.7 条件判断  20
1.8 循环  21
1.9 数组  22
1.10 位运算  24
1.11 枚举类型  26
1.12 比较器  27
1.13 方法  27
1.14 集合类  28
1.14.1 动态数组  28
1.14.2 散列表  28
1.15 文件  32
1.15.1 文本文件  32
1.15.2 二进制文件  36
1.16 多线程  40
1.16.1 基本的多线程  41
1.16.2 线程池  43
1.17 折半查找  44
1.18 处理图片  47
1.19 本章小结  48
第2章 网络爬虫入门  49
2.1 获取信息  49
2.1.1 提取链接  50
2.1.2 采集新闻  50
2.2 各种网络爬虫  51
2.2.1 信息采集器  53
2.2.2 广度优先遍历  54
2.2.3 分布式爬虫  55
2.3 爬虫相关协议  56
2.3.1 网站地图  57
2.3.2 Robots协议  58
2.4 爬虫架构  61
2.4.1 基本架构  61
2.4.2 分布式爬虫架构  64
2.4.3 垂直爬虫架构  67
2.5 自己写网络爬虫  68
2.6 URL地址查新  70
2.6.1 嵌入式数据库  71
2.6.2 布隆过滤器  73
2.6.3 实现布隆过滤器  74
2.7 部署爬虫  76
2.7.1 部署到Windows  77
2.7.2 部署到Linux  77
2.8 本章小结  78
第3章 定向采集  82
3.1 下载网页的基本方法  82
3.1.1 网卡  83
3.1.2 下载网页  83
3.2 HTTP基础  88
3.2.1 协议  88
3.2.2 URI  90
3.2.3 DNS  97
3.3 使用HttpClient下载网页  97
3.3.1 HttpCore  107
3.3.2 状态码  111
3.3.3 创建  112
3.3.4 模拟浏览器  112
3.3.5 重试  113
3.3.6 抓取压缩的网页  115
3.3.7 HttpContext  117
3.3.8 下载中文网站  118
3.3.9 抓取需要登录的网页  119
3.3.10 代理  124
3.3.11 DNS缓存  125
3.3.12 并行下载  126
3.4 下载网络资源  128
3.4.1 重定向  128
3.4.2 解决套接字连接限制  131
3.4.3 下载图片  132
3.4.4 抓取视频  135
3.4.5 抓取FTP  135
3.4.6 网页更新  135
3.4.7 抓取限制应对方法  139
3.4.8 URL地址提取  144
3.4.9 解析URL地址  147
3.4.10 归一化  148
3.4.11 增量采集  148
3.4.12 iframe  149
3.4.13 抓取JavaScript动态页面  150
3.4.14 抓取即时信息  154
3.4.15 抓取暗网  154
3.5 PhantomJS  157
3.6 Selenium  158
3.7 信息过滤  159
3.7.1 匹配算法  160
3.7.2 分布式过滤  166
3.8 采集新闻  166
3.8.1 网页过滤器  167
3.8.2 列表页  172
3.8.3 用机器学习的方法抓取新闻  173
3.8.4 自动查找目录页  174
3.8.5 详细页  175
3.8.6 增量采集  177
3.8.7 处理图片  177
3.9 遍历信息  177
3.10 并行抓取  178
3.10.1 多线程爬虫  178
3.10.2 垂直搜索的多线程爬虫  181
3.10.3 异步IO  185
3.11 分布式爬虫  189
3.11.1 JGroups  189
3.11.2 监控  192
3.12 增量抓取  193
3.13 管理界面  193
3.14 本章小结  194
第4章 数据存储  195
4.1 存储提取内容  195
4.1.1 SQLite  196
4.1.2 Access数据库  198
4.1.3 MySQL  199
4.1.4 写入维基  200
4.2 HBase  200
4.3 Web图  202
4.4 本章小结  206
第5章 信息提取  207
5.1 从文本提取信息  207
5.2 从HTML文件中提取文本  208
5.2.1 字符集编码  208
5.2.2 识别网页的编码  211
5.2.3 网页编码转换为字符串编码  214
5.2.4 使用正则表达式提取数据  215
5.2.5 结构化信息提取  219
5.2.6 表格  222
5.2.7 网页的DOM结构  223
5.2.8 使用Jsoup提取信息  224
5.2.9 使用XPath提取信息  230
5.2.10 HTMLUnit提取数据  232
5.2.11 网页结构相似度计算  233
5.2.12 提取标题  235
5.2.13 提取日期  237
5.2.14 提取模板  238
5.2.15 提取RDF信息  240
5.2.16 网页解析器原理  240
5.3 RSS  242
5.3.1 Jsoup解析RSS  243
5.3.2 ROME  244
5.3.3 抓取流程  244
5.4 网页去噪  246
5.4.1 NekoHTML  247
5.4.2 Jsoup  251
5.4.3 提取正文  253
5.5 从非HTML文件中提取文本  254
5.5.1 PDF文件  255
5.5.2 Word文件  258
5.5.3 Rtf文件  260
5.5.4 Excel文件  266
5.5.5 PowerPoint文件  267
5.6 提取标题  267
5.6.1 提取标题的一般方法  268
5.6.2 从PDF文件中提取标题  272
5.6.3 从Word文件中提取标题  274
5.6.4 从Rtf文件中提取标题  274
5.6.5 从Excel文件中提取标题  280
5.6.6 从PowerPoint文件中提取标题  283
5.7 图像的OCR识别  283
5.7.1 读入图像  284
5.7.2 准备训练集  285
5.7.3 图像二值化  287
5.7.4 切分图像  292
5.7.5 SVM分类  296
5.7.6 识别汉字  300
5.7.7 训练OCR  302
5.7.8 检测行  303
5.7.9 识别验证码  304
5.7.10 JavaOCR  305
5.8 提取地域信息  305
5.8.1 IP地址  306
5.8.2 手机  328
5.9 提取新闻  329
5.10 流媒体内容提取  330
5.10.1 音频流内容提取  330
5.10.2 视频流内容提取  334
5.11 内容纠错  335
5.11.1 模糊匹配问题  338
5.11.2 英文拼写检查  344
5.11.3 中文拼写检查  346
5.12 术语  349
5.13 本章小结  349
第6章 Crawler4j  351
6.1 使用Crawler4j  351
6.1.1 大众点评  352
6.1.2 日志  355
6.2 crawler4j原理  355
6.2.1 代码分析  356
6.2.2 使用BerkeleyDB  357
6.2.3 缩短URL地址  360
6.2.4 网页编码  362
6.2.5 并发  362
6.3 本章小结  365
第7章 网页排重  366
7.1 语义指纹  367
7.2 SimHash  370
7.3 分布式文档排重  380
7.4 本章小结  382
第8章 网页分类  383
8.1 关键词加权法  384
8.2 机器学习的分类方法  391
8.2.1 特征提取  393
8.2.2 朴素贝叶斯  397
8.2.3 支持向量机  406
8.2.4 多级分类  414
8.2.5 网页分类  416
8.3 本章小结  416
第9章 案例分析  417
9.1 金融爬虫  417
9.1.1 中国能源政策数据  417
9.1.2 世界原油现货交易和期货交易数据  418
9.1.3 股票数据  418
9.1.4 从PDF文件中提取表格  421
9.2 商品搜索  421
9.2.1 遍历商品  423
9.2.2 使用HttpClient  428
9.2.3 提取价格  429
9.2.4 水印  432
9.2.5 数据导入ECShop  433
9.2.6 采集淘宝  436
9.3 自动化行业采集  437
9.4 社会化信息采集  437
9.5 微博爬虫  437
9.6 微信爬虫  439
9.7 海关数据  439
9.8 医药数据  440
9.9 本章小结  442
后记  443