超文本数据是国内首家媒体效果提供商，http-5s由httpS团队历时五年研发具有安全性的ssl加密传输协议技术，它由SSL+HTTP协议构建可进行加密传输、身份认证的网络协议为基准，天天更新，实时查询，向目标用户提供海量媒体效果报告。

超文本定义(1、 2、 3.)

超文本数据是怎样的一种结构

超文本与超文本协议的区别：(超文本 超文本传输协议（http）：)

Web数据挖掘-超文本数据的知识发现

超文本数据传输协议

超文本定义

1、

超文本(Hypertext)是用超链接的方法，将各种不同空间的文字信息组织在一起的网状文本。超文本更是一种用户介面范式，用以显示文本及与文本之间相关的内容。现时超文本普遍以电子文档方式存在，其中的文字包含有可以链结到其他位置或者文档的连结，允许从当前阅读位置直接切换到超文本连结所指向的位置。超文本的格式有很多，目前最常使用的是超文本标记语言(Hyper Text Markup Language，HTML)及富文本格式 (Rich Text Format，RTF)。我们日常浏览的网页上的链结都属于超文本。

2、

一种按信息之间关系非线性地存储、组织、管理和浏览信息的计算机技术。超文本技术将自然语言文本和计算机交互式地转移或动态显示线性文本的能力结合在一起，它的本质和基本特征就是在文档内部和文档之间建立关系，正是这种关系给了文本以非线性的组织。 概括的说，超文本就是收集，存储磨合浏览离散信息以及建立和表现信息之间关联的技术。

3.

超文本是由若干信息结点和表示信息节点之间相关性的链构成的一个具有一定逻辑结构和语义关系的非线性网络。HTML只是超文本语言的一种，JSS与CSS,VB等也属于超文本的范畴。

超文本数据是怎样的一种结构

超文本技术是一种按信息之间关系非线性地存储、组织、管理和浏览信息的计算机技术。超文本技术将自然语言文本和计算机交互式地转移或动态显示线性文本的能力结合在一起，它的本质和基本特征就是在文档内部和文档之间建立关系，正是这种关系给了文本以非线性的组织。

超文本与超文本协议的区别：

超文本

是与其它数据有关联(links)的数据。包含与其他文档链接的文档；选择链接时自动显示第二个文档。

超文本传输协议（http）：

支持www上信息交换的internet标准，是定义web服务器如何响应文件请求的internet协议。

Web数据挖掘-超文本数据的知识发现

《Web数据挖掘-超文本数据的知识发现(英文版)》

本书是信息检索领域的名著，深入讲解了从大量非结构化Web数据中提取和产生知识的技术。书中首先论述了Web的基础(包括Web信息采集机制、Web标引机制以及基于关键字或基于相似性搜索机制)，然后系统地描述了Web挖掘的基础知识，着重介绍基于超文本的机器学习和数据挖掘方法，如聚类、协同过滤、监督学习、半监督学习，最后讲述了这些基本原理在Web挖掘中的应用。本书为读者提供了坚实的技术背景和最新的知识。

本书是从事数据挖掘学术研究和开发的专业人员理想的参考书，同时也适合作为高等院校计算机及相关专业研究生的教材。

1　INTRODUCTION

1.1　Crawling and Indexing

1.2 Topic Directories

1.3 Clustering and Classification

1.4 Hyperlink Analysis

1.5 Resource Discovery and Vertical Portals

1.6 Structured vs. Unstructured Data Mining

1.7 Bibliographic Notes

PART Ⅰ INFRASTRUCTURE

2　CRAWLING THE WEB

2.1 HTML and HTTP Basics

2.2 Crawling Basics

2.3 Engineering Large-Scale Crawlers

2.3.1 DNS Caching, Prefetching, and Resolution

2.3.2 Multiple Concurrent Fetches

2.3.3 Link Extraction and Normalization

2.3.4 Robot Exclusion

2.3.5 Eliminating Already-Visited URLs

2.3.6 Spider Traps

2.3.7 Avoiding Repeated Expansion of Links on Duplicate Pages

2.3.8 Load Monitor and Manager

2.3.9 Per-Server Work-Queues

2.3.10 Text Repository

2.3.11 Refreshing Crawled Pages

2.4 Putting Together a Crawler

2.4.1 Design of the Core Components

2.4.2 Case Study: Using w3c-libwww

2.5 Bibliographic Notes

3 WEB SEARCH AND INFORMATION RETRIEVAL

3.1 Boolean Queries and the Inverted Index

3.1.1 Stopwords and Stemming

3.1.2 Batch Indexing and Updates

3.1.3 Index Compression Techniques

3.2 Relevance Ranking

3.2.1 Recall and Precision

3.2.2　The Vector-Space Model

3.2.3　Relevance Feedback and Rocchio?s Method

3.2.4　Probabilistic Relevance Feedback Models

3.2.5　Advanced Issues

3.3　Similarity Search

3.3.1　Handling òFind-Similaró Queries

3.3.2　Eliminating Near Duplicates via Shingling

3.3.3　Detecting Locally Similar Subgraphs of the Web

3.4　Bibliographic Notes

PART Ⅱ LEARNING

PART Ⅲ APPLICATIONS

References

Index

超文本数据传输协议

超文本数据传输协议(http，hypertext transfer protocol)是互联网上应用最为广泛的一种网络传输协议。所有的www文件都必须遵守这个标准。设计http最初的目的是为了提供一种发布和接收html页面的方法。

http的发展是万维网协会和internet工作小组合作的结果，在一系列的rfc发布中确定了最终版本，其中最著名的是rfc 2616。在rfc 2616中定义了http/1.1这个今天普遍使用的版本。

http是一个用于在客户端和服务器间请求和应答的协议。一个http的客户端，诸如一个web浏览器，通过建立一个到远程主机特殊端口（默认端口为80）的连接，初始化一个请求。一个http服务器通过监听特殊端口等待客户端发送一个请求序列， 就像“get / http/1.1”（用来请求网页服务器的默认页面），有选择的接收像email一样的mime消息，此消息中包含了大量用来描述请求各个方面的信息头序列，响应一个选择的保留数据主体。接收到一个请求序列后（如果要的话，还有消息），服务器会发回一个应答消息，诸如“200 ok”，同时发回一个它自己的消息，此消息的主体可能是被请求的文件、错误消息或者其他的一些信息。 HTTP（Hypertext Transfer Protocol），即超文本传输协议。是WWW浏览器和WWW服务器之间的应用层通讯协议。HTTP协议是基于TCP/IP之上的协议，它不仅保证正确传输超文本文档，还确定传输文档中的哪一部分，以及哪一部分内容首先显示（如文本先与图形）等等。

它互联网上应用最为广泛的一种网络传输协议。所有的WWW文件都必须遵守这个标准。设计HTTP最初的目的是为了提供一种发布和接收HTML页面的方法。 目前的应用主要除了HTML网页外还被用来传输超文本数据 例如：图片、音频文件(MP3等)、视频文件(rm、avi等)、压缩包(zip、rar等)……基本上只要是文件数据均可以利用HTTP进行传输。

HTTP1.0和HTTP1.1都把TCP作为底层的传输协议。HTTP客户首先发起建立与服务器TCP连接。一旦建立连接，浏览器进程和服务器进程就可以通过各自的套接字来访问TCP。如前所述，客户端套接字是客户进程和TCP连接之间的“门”，服务器端套接字是服务器进程和同一TCP连接之间的“门”。客户往自己的套接字发送HTTP请求消息，也从自己的套接字接收HTTP响应消息。类似地，服务器从自己的套接字接收HTTP请求消息，也往自己的套接字发送HTTP响应消息。客户或服务器一旦把某个消息送入各自的套接字，这个消息就完全落入TCP的控制之中。TCP给HTTP提供一个可靠的数据传输服务;这意味着由客户发出的每个HTTP请求消息最终将无损地到达服务器，由服务器发出的每个HTTP响应消息最终也将无损地到达客户。我们可从中看到分层网络体系结构的一个明显优势——HTTP不必担心数据会丢失，也无需关心TCP如何从数据的丢失和错序中恢复出来的细节。这些是TCP和协议栈中更低协议层的任务。

TCP还使用一个拥塞控制机制。该机制迫使每个新的TCP连接一开始以相对缓慢的速率传输数据，然而只要网络不拥塞，每个连接可以迅速上升到相对较高的速率。这个慢速传输的初始阶段称为缓启动(slow start)。