duoan / codes-scratch-crawlerLinks
读书笔记《自己动手写网络爬虫》，自己敲的代码。主要记录了网络爬虫的基本实现，网页去重的算法，网页指纹算法，文本信息挖掘
☆47Updated 10 years ago
Alternatives and similar repositories for codes-scratch-crawler
Users that are interested in codes-scratch-crawler are comparing it to the libraries listed below
Sorting:
- 基于Map/Reduce爬虫,可抽取各大新闻网站的新闻正文并进行分类和聚类☆77Updated 11 years ago
- 基于Nutch+ElasticSearch+MySQL+SSM的简易搜索引擎☆20Updated 8 years ago
- 微博情感分析☆12Updated 11 years ago
- 知乎爬虫，基于webmagic框架 .A java web spider base on webmagic.☆69Updated 9 years ago
- 舆情搜索服务框架，其中lucene和solr版本为4.8。☆61Updated 9 years ago
- 网络爬虫☆51Updated 11 years ago
- 基于词典的负面舆情信息评分算法。☆26Updated 10 years ago
- 简单搜索引擎例子☆83Updated 9 years ago
- 社交网络数据抓取，以及CRM系统。☆68Updated 9 years ago
- GuozhongCrawler的是一个无须配置、便于二次开发的爬虫开源框架，它提供简单灵活的API，只需少量代码即可实现一个爬虫。其设计灵感来源于多个爬虫国内外爬虫框架的总结。采用完全模块化的设计，功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化)，支持多线…☆96Updated 10 years ago
- 各大电商网站数据抓取分析☆33Updated 11 years ago
- 基于Flume、Kafka、SparkSql模拟的实时日志分析系统☆12Updated 9 years ago
- 豆瓣爬虫 爬取热门标签、图书信息、图书评论 系统架构 Webmagic+SSM+Redis+Mysql+ActiveMQ+Druid☆44Updated 6 years ago
- 搜狐实习自动回复项目：语音识别、问题过滤、答案推荐☆8Updated 10 years ago
- 文本去重算法，研究自推荐系统中新闻的去重，采用了雅虎的Near-duplicates and shingling算法，服务端用c实现，客户端用java实现，利用thrift框架进行通信，为了提高扩展性，去重可以在服务端实现，服务器也提供了计算的接口，方便客户端自己扩展☆24Updated 11 years ago
- 算法库(Java实现)☆35Updated 11 years ago
- 爬虫项目源码整理，使用redis进行url缓存，hbase进行详细信息的存储。使用zookeeper进行爬虫线程的状态监控。☆19Updated 9 years ago
- 模仿Java标准库的一些API实现的算法库，包括了数据结构，字符串处理（StringBuilder），图（有向图）。原来是用Python实现的，但是Python实现的并没有经过完整的测试，不能够保证完全的正确性。 使用Java实现的集合库都经过完整的测试，实际上，我在实现的…☆48Updated 10 years ago
- 基于词频密度过滤、利用百度、谷歌、搜搜、360搜索4个引擎为种子来源的多线程爬虫，结果存入mysql。☆97Updated 11 years ago
- java分布式爬虫，主机和从机控制的机制☆14Updated 10 years ago
- 抓取拉勾，内推，智联招聘，前程无忧等网站的招聘信息，格式化存储，图表化展示。☆68Updated 5 years ago
- 分布式爬虫框架,基于webdrvier模拟用户请求,kafka消息传递,分布式网页存储使用hbase,task异步任务多线程解析,提供基础服务如:proxy ip服务和号码验证服务等, proxy page使用H5和we版进行接入☆13Updated 9 years ago
- 新浪微博搜索工具☆45Updated 12 years ago
- 推荐算法☆30Updated 10 years ago
- 采用jfinal和amazeui搭建的个人博客，前端UI：Amaze UI，框架：jfinal2.2。支持移动端自动适配。目前处于测试阶段。目前拥有模块：博客，美图，视频，有强大的前台和后台管理功能，博主会持续更新其他模块。线上部署地址为www.liuyunfei.cn，欢…☆52Updated 9 years ago
- 博客园积分前3000名博友，全部文章抓取，存放到mongodb中。☆44Updated 7 years ago
- 抓取代理ip，保存有效可用的代理ip☆9Updated 10 years ago
- 用java实现的贝叶斯分类算法。用于大数据的分类。☆41Updated 9 years ago
- 迪拜后台系统框架：基于Springside、Mysql、Bootstrap2的后台系统框架，旨在为繁杂的各种业务流程提供一个界面简约、操作高效、运行稳定、容易集成和横向扩展的开发基础框架及规范。☆45Updated 3 years ago
- 推荐系统相关代码☆23Updated 10 years ago