網(wǎng)絡(luò)爬蟲全解析：技術(shù)、原理與實踐

定　價：￥79.00

作　者：	羅剛著
出版社：	電子工業(yè)出版社
叢編項：
標(biāo)　簽：	計算機(jī)?網(wǎng)絡(luò) 軟件工程及軟件方法學(xué)

購買這本書可以去

ISBN：	9787121310713	出版時間：	2017-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	444	字?jǐn)?shù)：

內(nèi)容簡介

　　本書介紹了如何開發(fā)網(wǎng)絡(luò)爬蟲。內(nèi)容主要包括開發(fā)網(wǎng)絡(luò)爬蟲所需要的Java語法基礎(chǔ)和網(wǎng)絡(luò)爬蟲的工作原理，如何使用開源組件HttpClient和爬蟲框架Crawler4j抓取網(wǎng)頁信息，以及針對抓取到的文本進(jìn)行有效信息的提取。為了擴(kuò)展抓取能力，本書介紹了實現(xiàn)分布式網(wǎng)絡(luò)爬蟲的關(guān)鍵技術(shù)。另外，本書介紹了從圖像和語音等多媒體格式文件中提取文本信息，以及如何使用大數(shù)據(jù)技術(shù)存儲抓取到的信息。最后，以實戰(zhàn)為例，介紹了如何抓取微信和微博，以及在電商、醫(yī)藥、金融等領(lǐng)域的案例應(yīng)用。其中，電商領(lǐng)域的應(yīng)用介紹了使用網(wǎng)絡(luò)爬蟲抓取商品信息入庫到網(wǎng)上商店的數(shù)據(jù)庫表。醫(yī)藥領(lǐng)域的案例介紹了抓取PubMed醫(yī)藥論文庫。金融領(lǐng)域的案例介紹了抓取股票信息，以及從年報PDF文檔中提取表格等。本書適用于對開發(fā)信息采集軟件感興趣的自學(xué)者。也可以供有Java或程序設(shè)計基礎(chǔ)的開發(fā)人員參考。

作者簡介

　　羅剛，獵兔搜索創(chuàng)始人，帶領(lǐng)獵兔搜索技術(shù)開發(fā)團(tuán)隊先后開發(fā)出獵兔中文分詞系統(tǒng)、獵兔信息提取系統(tǒng)、獵兔智能垂直搜索系統(tǒng)以及網(wǎng)絡(luò)信息監(jiān)測系統(tǒng)等，實現(xiàn)互聯(lián)網(wǎng)信息的采集、過濾、搜索和實時監(jiān)測。曾編寫出版《自己動手寫搜索引擎》、《自己動手寫網(wǎng)絡(luò)爬蟲》、《使用C#開發(fā)搜索引擎》，獲得廣泛好評。在北京和上海等地均有獵兔培訓(xùn)的學(xué)員。

圖書目錄

第1章技術(shù)基礎(chǔ)\t1
1．1 第一個程序\t1
1．2 準(zhǔn)備開發(fā)環(huán)境\t2
1．2．1 JDK\t2
1．2．2 Eclipse\t3
1．3 類和對象\t4
1．4 常量\t5
1．5 命名規(guī)范\t6
1．6 基本語法\t6
1．7 條件判斷\t7
1．8 循環(huán)\t8
1．9 數(shù)組\t9
1．10 位運算\t11
1．11 枚舉類型\t13
1．12 比較器\t14
1．13 方法\t14
1．14 集合類\t15
1．14．1 動態(tài)數(shù)組\t15
1．14．2 散列表\t15
1．15 文件\t19
1．15．1 文本文件\t19
1．15．2 二進(jìn)制文件\t23
1．16 多線程\t27
1．16．1 基本的多線程\t28
1．16．2 線程池\t30
1．17 折半查找\t31
1．18 處理圖片\t34
1．19 本章小結(jié)\t35
第2章網(wǎng)絡(luò)爬蟲入門\t36
2．1 獲取信息\t36
2．1．1 提取鏈接\t37
2．1．2 采集新聞\t37
2．2 各種網(wǎng)絡(luò)爬蟲\t38
2．2．1 信息采集器\t40
2．2．2 廣度優(yōu)先遍歷\t41
2．2．3 分布式爬蟲\t42
2．3 爬蟲相關(guān)協(xié)議\t43
2．3．1 網(wǎng)站地圖\t44
2．3．2 Robots協(xié)議\t45
2．4 爬蟲架構(gòu)\t48
2．4．1 基本架構(gòu)\t48
2．4．2 分布式爬蟲架構(gòu)\t51
2．4．3 垂直爬蟲架構(gòu)\t54
2．5 自己寫網(wǎng)絡(luò)爬蟲\t55
2．6 URL地址查新\t57
2．6．1 嵌入式數(shù)據(jù)庫\t58
2．6．2 布隆過濾器\t60
2．6．3 實現(xiàn)布隆過濾器\t61
2．7 部署爬蟲\t63
2．7．1 部署到Windows\t64
2．7．2 部署到Linux\t64
2．8 本章小結(jié)\t65
第3章定向采集\t69
3．1 下載網(wǎng)頁的基本方法\t69
3．1．1 網(wǎng)卡\t70
3．1．2 下載網(wǎng)頁\t70
3．2 HTTP基礎(chǔ)\t75
3．2．1 協(xié)議\t75
3．2．2 URI\t77
3．2．3 DNS\t84
3．3 使用HttpClient下載網(wǎng)頁\t84
3．3．1 HttpCore\t94
3．3．2 狀態(tài)碼\t98
3．3．3 創(chuàng)建\t99
3．3．4 模擬瀏覽器\t99
3．3．5 重試\t100
3．3．6 抓取壓縮的網(wǎng)頁\t102
3．3．7 HttpContext\t104
3．3．8 下載中文網(wǎng)站\t105
3．3．9 抓取需要登錄的網(wǎng)頁\t106
3．3．10 代理\t111
3．3．11 DNS緩存\t112
3．3．12 并行下載\t113
3．4 下載網(wǎng)絡(luò)資源\t115
3．4．1 重定向\t115
3．4．2 解決套接字連接限制\t118
3．4．3 下載圖片\t119
3．4．4 抓取視頻\t122
3．4．5 抓取FTP\t122
3．4．6 網(wǎng)頁更新\t122
3．4．7 抓取限制應(yīng)對方法\t126
3．4．8 URL地址提取\t131
3．4．9 解析URL地址\t134
3．4．10 歸一化\t135
3．4．11 增量采集\t135
3．4．12 iframe\t136
3．4．13 抓取JavaScript動態(tài)頁面\t137
3．4．14 抓取即時信息\t141
3．4．15 抓取暗網(wǎng)\t141
3．5 PhantomJS\t144
3．6 Selenium\t145
3．7 信息過濾\t146
3．7．1 匹配算法\t147
3．7．2 分布式過濾\t153
3．8 采集新聞\t153
3．8．1 網(wǎng)頁過濾器\t154
3．8．2 列表頁\t159
3．8．3 用機(jī)器學(xué)習(xí)的方法抓取新聞\t160
3．8．4 自動查找目錄頁\t161
3．8．5 詳細(xì)頁\t162
3．8．6 增量采集\t164
3．8．7 處理圖片\t164
3．9 遍歷信息\t164
3．10 并行抓取\t165
3．10．1 多線程爬蟲\t165
3．10．2 垂直搜索的多線程爬蟲\t168
3．10．3 異步IO\t172
3．11 分布式爬蟲\t176
3．11．1 JGroups\t176
3．11．2 監(jiān)控\t179
3．12 增量抓取\t180
3．13 管理界面\t180
3．14 本章小結(jié)\t181
第4章數(shù)據(jù)存儲\t182
4．1 存儲提取內(nèi)容\t182
4．1．1 SQLite\t183
4．1．2 Access數(shù)據(jù)庫\t185
4．1．3 MySQL\t186
4．1．4 寫入維基\t187
4．2 HBase\t187
4．3 Web圖\t189
4．4 本章小結(jié)\t193
第5章信息提取\t194
5．1 從文本提取信息\t194
5．2 從HTML文件中提取文本\t195
5．2．1 字符集編碼\t195
5．2．2 識別網(wǎng)頁的編碼\t198
5．2．3 網(wǎng)頁編碼轉(zhuǎn)換為字符串編碼\t201
5．2．4 使用正則表達(dá)式提取數(shù)據(jù)\t202
5．2．5 結(jié)構(gòu)化信息提取\t206
5．2．6 表格\t209
5．2．7 網(wǎng)頁的DOM結(jié)構(gòu)\t210
5．2．8 使用Jsoup提取信息\t211
5．2．9 使用XPath提取信息\t217
5．2．10 HTMLUnit提取數(shù)據(jù)\t219
5．2．11 網(wǎng)頁結(jié)構(gòu)相似度計算\t220
5．2．12 提取標(biāo)題\t222
5．2．13 提取日期\t224
5．2．14 提取模板\t225
5．2．15 提取RDF信息\t227
5．2．16 網(wǎng)頁解析器原理\t227
5．3 RSS\t229
5．3．1 Jsoup解析RSS\t230
5．3．2 ROME\t231
5．3．3 抓取流程\t231
5．4 網(wǎng)頁去噪\t233
5．4．1 NekoHTML\t234
5．4．2 Jsoup\t238
5．4．3 提取正文\t240
5．5 從非HTML文件中提取文本\t241
5．5．1 PDF文件\t242
5．5．2 Word文件\t245
5．5．3 Rtf文件\t247
5．5．4 Excel文件\t253
5．5．5 PowerPoint文件\t254
5．6 提取標(biāo)題\t254
5．6．1 提取標(biāo)題的一般方法\t255
5．6．2 從PDF文件中提取標(biāo)題\t259
5．6．3 從Word文件中提取標(biāo)題\t261
5．6．4 從Rtf文件中提取標(biāo)題\t261
5．6．5 從Excel文件中提取標(biāo)題\t267
5．6．6 從PowerPoint文件中提取標(biāo)題\t270
5．7 圖像的OCR識別\t270
5．7．1 讀入圖像\t271
5．7．2 準(zhǔn)備訓(xùn)練集\t272
5．7．3 圖像二值化\t274
5．7．4 切分圖像\t279
5．7．5 SVM分類\t283
5．7．6 識別漢字\t287
5．7．7 訓(xùn)練OCR\t289
5．7．8 檢測行\(zhòng)t290
5．7．9 識別驗證碼\t291
5．7．10 JavaOCR\t292
5．8 提取地域信息\t292
5．8．1 IP地址\t293
5．8．2 手機(jī)\t315
5．9 提取新聞\t316
5．10 流媒體內(nèi)容提取\t317
5．10．1 音頻流內(nèi)容提取\t317
5．10．2 視頻流內(nèi)容提取\t321
5．11 內(nèi)容糾錯\t322
5．11．1 模糊匹配問題\t325
5．11．2 英文拼寫檢查\t331
5．11．3 中文拼寫檢查\t333
5．12 術(shù)語\t336
5．13 本章小結(jié)\t336
第6章 Crawler4j\t338
6．1 使用Crawler4j\t338
6．1．1 大眾點評\t339
6．1．2 日志\t342
6．2 crawler4j原理\t342
6．2．1 代碼分析\t343
6．2．2 使用Berkeley DB\t344
6．2．3 縮短URL地址\t347
6．2．4 網(wǎng)頁編碼\t349
6．2．5 并發(fā)\t349
6．3 本章小結(jié)\t352
第7章網(wǎng)頁排重\t353
7．1 語義指紋\t354
7．2 SimHash\t357
7．3 分布式文檔排重\t367
7．4 本章小結(jié)\t369
第8章網(wǎng)頁分類\t370
8．1 關(guān)鍵詞加權(quán)法\t371
8．2 機(jī)器學(xué)習(xí)的分類方法\t378
8．2．1 特征提取\t380
8．2．2 樸素貝葉斯\t384
8．2．3 支持向量機(jī)\t393
8．2．4 多級分類\t401
8．2．5 網(wǎng)頁分類\t403
8．3 本章小結(jié)\t403
第9章案例分析\t404
9．1 金融爬蟲\t404
9．1．1 中國能源政策數(shù)據(jù)\t404
9．1．2 世界原油現(xiàn)貨交易和期貨交易數(shù)據(jù)\t405
9．1．3 股票數(shù)據(jù)\t405
9．1．4 從PDF文件中提取表格\t408
9．2 商品搜索\t408
9．2．1 遍歷商品\t410
9．2．2 使用HttpClient\t415
9．2．3 提取價格\t416
9．2．4 水印\t419
9．2．5 數(shù)據(jù)導(dǎo)入ECShop\t420
9．2．6 采集淘寶\t423
9．3 自動化行業(yè)采集\t424
9．4 社會化信息采集\t424
9．5 微博爬蟲\t424
9．6 微信爬蟲\t426
9．7 海關(guān)數(shù)據(jù)\t426
9．8 醫(yī)藥數(shù)據(jù)\t427
9．9 本章小結(jié)\t429
后記\t430