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

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

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 本章小结

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

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

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

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