内容简介：

  本书介绍了如何开发网络爬虫。内容主要包括开发网络爬虫所需要的Java语法基础和网络爬虫的工作原理，如何使用开源组件HttpClient和爬虫框架Crawler4j抓取网页信息，以及针对抓取到的文本进行有效信息的提取。为了扩展抓取能力，本书介绍了实现分布式网络爬虫的关键技术。另外，本书介绍了从图像和语音等多媒体格式文件中提取文本信息，以及如何使用大数据技术存储抓取到的信息。*后，以实战为例，介绍了如何抓取微信和微博，以及在电商、医药、金融等领域的案例应用。其中，电商领域的应用介绍了使用网络爬虫抓取商品信息入库到网上商店的数据库表。医药领域的案例介绍了抓取PubMed医药论文库。金融领域的案例介绍了抓取股票信息，以及从年报PDF文档中提取表格等。本书适用于对开发信息采集软件感兴趣的自学者。也可以供有Java或程序设计基础的开发人员参考。

  作者简介:

  罗刚，猎兔搜索创始人，带领猎兔搜索技术开发团队先后开发出猎兔中文分词系统、猎兔信息提取系统、猎兔智能垂直搜索系统以及网络信息监测系统等，实现互联网信息的采集、过滤、搜索和实时监测。曾编写出版《自己动手写搜索引擎》、《自己动手写网络爬虫》、《使用C#开发搜索引擎》，获得广泛好评。在北京和上海等地均有猎兔培训的学员。

  目  录：

  第1章 技术基础 1

  1.1 第一个程序 1

  1.2 准备开发环境 2

  1.2.1 JDK 2

  1.2.2 Eclipse 3

  1.3 类和对象 4

  1.4 常量 5

  1.5 命名规范 6

  1.6 基本语法 6

  1.7 条件判断 7

  1.8 循环 8

  1.9 数组 9

  1.10 位运算 11

  1.11 枚举类型 13

  1.12 比较器 14

  1.13 方法 14

  1.14 集合类 15

  1.14.1 动态数组 15

  1.14.2 散列表 15

  1.15 文件 19

  1.15.1 文本文件 19

  1.15.2 二进制文件 23

  1.16 多线程 27

  1.16.1 基本的多线程 28

  1.16.2 线程池 30

  1.17 折半查找 31

  1.18 处理图片 34

  1.19 本章小结 35

  第2章 网络爬虫入门 36

  2.1 获取信息 36

  2.1.1 提取链接 37

  2.1.2 采集新闻 37

  2.2 各种网络爬虫 38

  2.2.1 信息采集器 40

  2.2.2 广度优先遍历 41

  2.2.3 分布式爬虫 42

  2.3 爬虫相关协议 43

  2.3.1 网站地图 44

  2.3.2 Robots协议 45

  2.4 爬虫架构 48

  2.4.1 基本架构 48

  2.4.2 分布式爬虫架构 51

  2.4.3 垂直爬虫架构 54

  2.5 自己写网络爬虫 55

  2.6 URL地址查新 57

  2.6.1 嵌入式数据库 58

  2.6.2 布隆过滤器 60

  2.6.3 实现布隆过滤器 61

  2.7 部署爬虫 63

  2.7.1 部署到Windows 64

  2.7.2 部署到Linux 64

  2.8 本章小结 65

  第3章 定向采集 69

  3.1 下载网页的基本方法 69

  3.1.1 网卡 70

  3.1.2 下载网页 70

  3.2 HTTP基础 75

  3.2.1 协议 75

  3.2.2 URI 77

  3.2.3 DNS 84

  3.3 使用HttpClient下载网页 84

  3.3.1 HttpCore 94

  3.3.2 状态码 98

  3.3.3 创建 99

  3.3.4 模拟浏览器 99

  3.3.5 重试 100

  3.3.6 抓取压缩的网页 102

  3.3.7 HttpContext 104

  3.3.8 下载中文网站 105

  3.3.9 抓取需要登录的网页 106

  3.3.10 代理 111

  3.3.11 DNS缓存 112

  3.3.12 并行下载 113

  3.4 下载网络资源 115

  3.4.1 重定向 115

  3.4.2 解决套接字连接限制 118

  3.4.3 下载图片 119

  3.4.4 抓取视频 122

  3.4.5 抓取FTP 122

  3.4.6 网页更新 122

  3.4.7 抓取限制应对方法 126

  3.4.8 URL地址提取 131

  3.4.9 解析URL地址 134

  3.4.10 归一化 135

  3.4.11 增量采集 135

  3.4.12 136

  3.4.13 抓取JavaScript动态页面 137

  3.4.14 抓取即时信息 141

  3.4.15 抓取暗网 141

  3.5 PhantomJS 144

  3.6 Selenium 145

  3.7 信息过滤 146

  3.7.1 匹配算法 147

  3.7.2 分布式过滤 153

  3.8 采集新闻 153

  3.8.1 网页过滤器 154

  3.8.2 列表页 159

  3.8.3 用机器学习的方法抓取新闻 160

  3.8.4 自动查找目录页 161

  3.8.5 详细页 162

  3.8.6 增量采集 164

  3.8.7 处理图片 164

  3.9 遍历信息 164

  3.10 并行抓取 165

  3.10.1 多线程爬虫 165

  3.10.2 垂直搜索的多线程爬虫 168

  3.10.3 异步IO 172

  3.11 分布式爬虫 176

  3.11.1 JGroups 176

  3.11.2 监控 179

  3.12 增量抓取 180

  3.13 管理界面 180

  3.14 本章小结 181

  第4章 数据存储 182

  4.1 存储提取内容 182

  4.1.1 SQLite 183

  4.1.2 Access数据库 185

  4.1.3 MySQL 186

  4.1.4 写入维基 187

  4.2 HBase 187

  4.3 Web图 189

  4.4 本章小结 193

  第5章 信息提取 194

  5.1 从文本提取信息 194

  5.2 从HTML文件中提取文本 195

  5.2.1 字符集编码 195

  5.2.2 识别网页的编码 198

  5.2.3 网页编码转换为字符串编码 201

  5.2.4 使用正则表达式提取数据 202

  5.2.5 结构化信息提取 206

  5.2.6 表格 209

  5.2.7 网页的DOM结构 210

  5.2.8 使用Jsoup提取信息 211

  5.2.9 使用XPath提取信息 217

  5.2.10 HTMLUnit提取数据 219

  5.2.11 网页结构相似度计算 220

  5.2.12 提取标题 222

  5.2.13 提取日期 224

  5.2.14 提取模板 225

  5.2.15 提取RDF信息 227

  5.2.16 网页解析器原理 227

  5.3 RSS 229

……