CN108415941A - 一种网页爬虫方法、装置以及电子设备 - Google Patents
一种网页爬虫方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN108415941A CN108415941A CN201810082418.XA CN201810082418A CN108415941A CN 108415941 A CN108415941 A CN 108415941A CN 201810082418 A CN201810082418 A CN 201810082418A CN 108415941 A CN108415941 A CN 108415941A
- Authority
- CN
- China
- Prior art keywords
- url
- crawled
- list
- vector
- theme
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例公开了一种网页爬虫方法、装置以及电子设备,所述方法包括:确定待爬取主题,获得对应的主题向量表示;基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。同时设置未爬取URL列表和已爬取URL列表,并将完成爬取的URL存储到已爬取URL列表中,放置对URL的重复爬取,可以有效提高爬取的效率;进一步地,为了提高爬取的准确率,对待爬取URL对应的网页内容与待爬取主题的相关度进行计算,对相关度比较高的URL进行爬取,并将爬取过的URL存储到已爬取URL列表中;基于上述方案,能够实现准确、高效的网页爬虫。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种网页爬虫方法、装置以及电子设备。
背景技术
随着网络技术的发展,网络当中包含有越来越多的数据,人们如果想要获取数据通常采用爬虫技术从网页或数据库当中获取数据。
在现有技术中的爬虫方案,爬虫爬取技术的门槛相对较高,需要了解大量的专业技术的基础上才可以进行爬虫工作,这严重阻碍了大量非技术人员获取数据通道;在实际爬取过程中,由于有的待爬取网页中只有个别词语与主题相关,而该网页的实际核心内容与主题不相关,常常会出现网络爬虫的爬取结果匹配不准确的问题。这是因为爬取目标是尽可能大的覆盖网络,导致爬行的结果中包含大量用户不需要的网页。爬虫不能很好地搜索和获取信息含量密集且具有一定结构的数据,对内容的搜索过滤大多是基于关键字的检索,对于其他智能化搜索过滤的要求难以实现。
基于现有技术,需要能够准确、高效的配置爬虫的方案。
发明内容
本说明书实施例提供一种网页爬虫方法、装置以及电子设备,用于解决以下技术问题:需要能够准确、高效的配置爬虫的方案。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种网页爬虫方法,包括:
确定待爬取主题,获得对应的主题向量表示;
基于从未爬取列表中确定的未爬取URL(Uniform Resource Locator,统一资源定位符),获取对应页面的内容向量表示;
根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
进一步地,所述未爬取列表的获取方法,具体包括:
获取待爬取URL的第一摘要数据;
判断所述第一摘要数据与已爬取列表中的第二摘要数据是否相同;
若否,将所述待爬取URL存入所述未爬取列表。
进一步地,所述摘要数据通过MD5函数得到,所述未爬取列表和所述已爬取列表包括:哈希表。
进一步地,若是,将所述待爬取URL存入所述已爬取列表。
进一步地,所述根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL,具体包括:
计算所述内容向量表示与所述主题向量表示的相关度;
若大于预设相关度阈值,则确定所需URL;
若小于预设相关度阈值,则继续重新判断下一个URL
本说明书实施例提供的一种网页爬虫装置,包括:
第一获取模块,确定待爬取主题,获得对应的主题向量表示;
第二获取模块,基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;
确定模块,根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
进一步地,还包括:列表获取模块,具体包括:
获取待爬取URL的第一摘要数据;
判断所述第一摘要数据与已爬取列表中的第二摘要数据是否相同;
若否,将所述待爬取URL存入所述未爬取列表。
进一步地,所述摘要数据通过MD5函数得到,所述未爬取列表和所述已爬取列表包括:哈希表。
进一步地,利用所述列表获取模块,若判断所述第一摘要数据与所述第二摘要数据相同,则将所述待爬取URL存入所述已爬取列表。
进一步地,所述确定模块,根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL,具体包括:
计算所述内容向量表示与所述主题向量表示的相关度;
若大于预设相关度阈值,则确定所需URL;
若小于预设相关度阈值,则继续重新判断下一个URL
本说明书实施例提供的一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定待爬取主题,获得对应的主题向量表示;
基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;
根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过本申请技术方案,同时设置未爬取URL列表和已爬取URL列表,并将完成爬取的URL存储到已爬取URL列表中,放置对URL的重复爬取,可以有效提高爬取的效率;进一步地,为了提高爬取的准确率,对待爬取URL对应的网页内容与待爬取主题的相关度进行计算,对相关度比较高的URL进行爬取,并将爬取过的URL存储到已爬取URL列表中;基于上述方案,能够实现准确、高效的网页爬虫。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书的方案在实际应用场景下涉及的网页爬虫过程的示意图;
图2为本说明书实施例提供的一种网页爬虫方法的流程示意图;
图3为本说明书实施例提供的重复爬取解决方法的流程示意图;
图4为本说明书实施例提供的具体举例说明爬取过程的流程的示意图;
图5为本说明书实施例提供的一种网页爬虫装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
图1为本说明书的方案在一种实际应用场景下涉及的网页爬虫过程的示意图。例如,用户想要爬取与主题相关的内容,可以通过预设爬取服务器,提取主题的向量表示和对应的待爬取各个网页的内容向量表示,进一步地,计算各个主题与内容向量表示之间的相关度,若相关度比较高,则将该URL存储到未爬取列表中。对爬取完成的URL和未爬取的URL分别存储到两个不同的列表中,避免对同一个URL重复爬取,可以有效提高爬取的效率。
基于上述场景,下面对本说明书的方案进行详细说明。
图2为本说明书实施例提供的一种网页爬虫方法的流程示意图,该方法具体可以包括以下步骤:
步骤S202:确定待爬取主题,获得对应的主题向量表示。
这里所述的待爬取主题往往是由人为指定的,例如,可以是“A市”、“房价”。为了便于后续对主题与内容的相关度的计算,利用预设算法(例如,支持向量机(Support VectorMachine,SVM))提取对应的主题向量表示。
步骤S204:基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示。
如前文所述可知,在本说明书实施例中,设置有用于存储已爬取URL和未爬取URL两种列表。容易理解,已爬取URL列表中存储的是已经爬取的URL信息,包括该URL的摘要和标志位。
在实际应用中,每次对待爬取URL爬取之前,首先需要判断该URL是否已经完成爬取,若未爬取,则下载该URL对应的网页内容,并对其中的内容提取向量表示。
步骤S206:根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
由于在实际爬取过程中,有的网页中部分内容与主题相关,或者有与主题相同的文字,但是该文章的整体意思与主题无关,会因此导致爬取效果差。为了提高爬取信息的准确率,在爬取之前,首先需要计算内容向量表示与主题向量表示的相关度,进一步地,根据预设的相关度阈值,对待爬取网页进行筛选;对超过所述相关度阈值的URL对应的网页内容进行爬取,对未超过的网页放弃爬取。
基于本说明书所述实施例,同时设置未爬取URL列表和已爬取URL列表,并将完成爬取的URL存储到已爬取URL列表中,放置对URL的重复爬取,可以有效提高爬取的效率;进一步地,为了提高爬取的准确率,对待爬取URL对应的网页内容与待爬取主题的相关度进行计算,对相关度比较高的URL进行爬取,并将爬取过的URL存储到已爬取URL列表中;基于上述方案,能够实现准确、高效的网页爬虫。
在本说明书一个或者多个实施例中,所述未爬取列表的获取方法,具体可以包括:获取待爬取URL的第一摘要数据;判断所述第一摘要数据与已爬取列表中的第二摘要数据是否相同;若否,将所述待爬取URL存入所述未爬取列表。
在获取到新的URL之后,首先利用预设算法(例如,MD5)计算该URL的第一摘要数据。将第一摘要数据与已爬取列表中的第二摘要数据进行对比,若不相同,则将该新获取的URL存储到未爬取列表中。
需要说明的是,已爬取列表最初可能为空,即,在获取第一个待爬取URL时,已爬取列表中还没有任何已经爬取过的URL信息;已爬取列表随着爬取过的URL的增多而增多。未爬取列表中,随着爬取的进行,未爬取的URL数量越来越少。
在本说明书一个或者多个实施例中,所述摘要数据通过MD5函数得到,所述未爬取列表和所述已爬取列表包括:哈希表。
从第二次爬虫开始均有可能出现同一个URL被重复爬取的现象,为了不重复爬取网页提高爬虫效率,可以定义两个数据库:“已爬行的URL库”和“未爬行的URL库”。如前文所述可知,“已爬行的URL库”存储已遍历过的URL,“未爬行的URL库”存储待访问队列的URL。实现方法是对于已访问过的、未访问过的URL利用MD5(URL)函数分别作MD5摘要,以获取其惟一标识,并建立两个集合。新解析出的URL,首先根据已经访问过的URL的MD5集合判断是否已爬取过,如没有被爬取,则放入“未爬行的URL数据库”中,否则放入“已爬行的URL库”中。
为了更好的理解,下面举例来说明,具体步骤如图3所示,包括:
S301:从数据库中取出优先级最高的URL;
S302:利用MD5算法把该URL映射出一个128位的散列值;
S303:该散列值和其标志位存放在一个哈希表中,并把此URL放置到已爬取URL库中;
S304:下次取出爬行URL先去哈希表中对比此URL是否被爬取;
S305:如果被爬取过,此URL直接跳过爬取下一条。
在本说明书一个或者多个实施例中,所述根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL,具体可以包括:计算所述内容向量表示与所述主题向量表示的相关度;若大于预设相关度阈值,则确定所需URL;若小于预设相关度阈值,则继续重新判断下一个URL。
为了更好的理解上述实施例,下面具体举例说明,如图4所示,具体步骤包括:
步骤S401:输入需要爬行的主题和起始站点;
步骤S402:相关度分析模块对输入的主题进行分析,得到目标主题的向量表示;
步骤S403:爬虫从未爬行URL库中获取最佳站点地址并下载相应页面,同时把该URL放到已爬取数据库中;
步骤S404:分析页面,提取出其中的链接与链接所在的上下文;
步骤S405:提取链接上下文的特征,得到其带权的向量表示;具体来说,常用的文本取权算法是TF-IDF。其中TF部分表明了一个词组在给定链接上下文中出现的次数,IDF则使在页面中出现次数很多的词组权值下降。链接上下文中没有出现的词组在向量中的对应元素其权值为0。这个向量的作用是用来和之前计算出的主题词向量做运算的,从而计算出爬取优先级。
步骤S406:相关度分析模块计算链接上下文与目标主题的相关度,并根据相关度大小计算链接的优先级。相关度分析模块可以采用的算法包括:核密度估计的贝叶斯分类算法、采用正规密度估计的贝叶斯分类算法,以及PageRank算法。需要说明的是,若需要获取的网络资源数量较少时,可以采用PageRank算法;对于需要获取的网络资源数量较多时,可以采用朴素贝叶斯分类器,具有更稳定的收获率。
步骤S407:把链接存储到URL队列中;
步骤S408:跳至步骤S403重新开始循环。
基于同样的思路,本说明书实施例还提供一种网页爬虫装置,如图5所示,具体包括:
第一获取模块501,确定待爬取主题,获得对应的主题向量表示;
第一获取模块502,基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;
确定模块503,根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL
还包括:列表获取模块504,具体包括:
获取待爬取URL的第一摘要数据;
判断所述第一摘要数据与已爬取列表中的第二摘要数据是否相同;
若否,将所述待爬取URL存入所述未爬取列表。
进一步地,所述摘要数据通过MD5函数得到,所述未爬取列表和所述已爬取列表包括:哈希表。
进一步地,利用所述列表获取模块504,若判断所述第一摘要数据与所述第二摘要数据相同,则将所述待爬取URL存入所述已爬取列表。
进一步地,所述确定模块503,根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL,具体包括:
计算所述内容向量表示与所述主题向量表示的相关度;
若大于预设相关度阈值,则确定所需URL;
若小于预设相关度阈值,则继续重新判断下一个URL。
基于同样的思路,本说明书实施例还提供了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定待爬取主题,获得对应的主题向量表示;
基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;
根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
基于上述实施例,通过本申请技术方案,同时设置未爬取URL列表和已爬取URL列表,并将完成爬取的URL存储到已爬取URL列表中,放置对URL的重复爬取,可以有效提高爬取的效率;进一步地,为了提高爬取的准确率,对待爬取URL对应的网页内容与待爬取主题的相关度进行计算,对相关度比较高的URL进行爬取,并将爬取过的URL存储到已爬取URL列表中;基于上述方案,能够实现准确、高效的网页爬虫。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、***、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种网页爬虫方法,其特征在于,包括:
确定待爬取主题,获得对应的主题向量表示;
基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;
根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
2.根据权利要求1所述的网页爬虫方法,其特征在于,所述未爬取列表的获取方法,具体包括:
获取待爬取URL的第一摘要数据;
判断所述第一摘要数据与已爬取列表中的第二摘要数据是否相同;
若否,将所述待爬取URL存入所述未爬取列表。
3.根据权利要求2所述的网页爬虫方法,其特征在于,所述摘要数据通过MD5函数得到,所述未爬取列表和所述已爬取列表包括:哈希表。
4.根据权利要求2所述的网页爬虫方法,其特征在于,
若是,将所述待爬取URL存入所述已爬取列表。
5.根据权利要求1所述的网页爬虫方法,其特征在于,所述根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL,具体包括:
计算所述内容向量表示与所述主题向量表示的相关度;
若大于预设相关度阈值,则确定所需URL;
若小于预设相关度阈值,则继续重新判断下一个URL。
6.一种网页爬虫装置,其特征在于,包括:
第一获取模块,确定待爬取主题,获得对应的主题向量表示;
第二获取模块,基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;
确定模块,根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
7.根据权利要求6所述的网页爬虫装置,其特征在于,还包括:列表获取模块,具体包括:
获取待爬取URL的第一摘要数据;
判断所述第一摘要数据与已爬取列表中的第二摘要数据是否相同;
若否,将所述待爬取URL存入所述未爬取列表。
8.根据权利要求7所述的网页爬虫装置,其特征在于,所述摘要数据通过MD5函数得到,所述未爬取列表和所述已爬取列表包括:哈希表。
9.根据权利要求7所述的网页爬虫装置,其特征在于,利用所述列表获取模块,若判断所述第一摘要数据与所述第二摘要数据相同,则将所述待爬取URL存入所述已爬取列表。
10.根据权利要求6所述的网页爬虫装置,其特征在于,所述确定模块,根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL,具体包括:
计算所述内容向量表示与所述主题向量表示的相关度;
若大于预设相关度阈值,则确定所需URL;
若小于预设相关度阈值,则继续重新判断下一个URL。
11.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定待爬取主题,获得对应的主题向量表示;
基于从未爬取列表中确定的未爬取URL,获取对应页面的内容向量表示;
根据所述内容向量表示与所述主题向量表示的相关度,确定所需URL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810082418.XA CN108415941A (zh) | 2018-01-29 | 2018-01-29 | 一种网页爬虫方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810082418.XA CN108415941A (zh) | 2018-01-29 | 2018-01-29 | 一种网页爬虫方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108415941A true CN108415941A (zh) | 2018-08-17 |
Family
ID=63126420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810082418.XA Pending CN108415941A (zh) | 2018-01-29 | 2018-01-29 | 一种网页爬虫方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108415941A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614536A (zh) * | 2018-11-30 | 2019-04-12 | 平安科技(深圳)有限公司 | 基于YouTuBe的视频批量爬取方法、***、装置及可存储介质 |
CN110175277A (zh) * | 2019-05-07 | 2019-08-27 | 南京邮电大学 | 面向电商平台的农药信息采集方法 |
CN110929128A (zh) * | 2019-12-11 | 2020-03-27 | 北京启迪区块链科技发展有限公司 | 一种数据爬取方法、装置、设备和介质 |
CN110968779A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 网页信息爬取的处理方法和装置 |
CN110968770A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 一种终止爬虫工具爬取的方法及装置 |
CN111767442A (zh) * | 2020-04-29 | 2020-10-13 | 百度在线网络技术(北京)有限公司 | 数据更新方法、装置、搜索服务器、终端及存储介质 |
CN112035723A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 资源库的确定方法和装置、存储介质及电子装置 |
CN112507341A (zh) * | 2020-12-03 | 2021-03-16 | 广州万方计算机科技有限公司 | 基于网络爬虫的漏洞扫描方法、装置、设备和存储介质 |
CN112905867A (zh) * | 2019-03-14 | 2021-06-04 | 福建省天奕网络科技有限公司 | 一种高效率的历史数据追溯爬取方法及终端 |
CN113641884A (zh) * | 2021-08-10 | 2021-11-12 | 南方电网数字电网研究院有限公司 | 基于语义的电力计量数据处理方法、装置和计算机设备 |
US11803597B2 (en) | 2020-04-29 | 2023-10-31 | Baidu Online Network Technology (Beijing) Co., Ltd. | Data updating method, apparatus, search server, terminal and storage medium |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932448A (zh) * | 2012-10-30 | 2013-02-13 | 工业和信息化部电信传输研究所 | 一种分布式网络爬虫的url排重***及方法 |
CN103226609A (zh) * | 2013-05-03 | 2013-07-31 | 福建师范大学 | 一种web聚焦搜索***的搜索方法 |
CN104978408A (zh) * | 2015-08-05 | 2015-10-14 | 许昌学院 | 基于Berkeley DB数据库的主题爬虫*** |
CN105843965A (zh) * | 2016-04-20 | 2016-08-10 | 广州精点计算机科技有限公司 | 一种基于url主题分类的深层网络爬虫表单填充方法和装置 |
CN106777043A (zh) * | 2016-12-09 | 2017-05-31 | 宁波大学 | 一种基于lda的学术资源获取方法 |
-
2018
- 2018-01-29 CN CN201810082418.XA patent/CN108415941A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932448A (zh) * | 2012-10-30 | 2013-02-13 | 工业和信息化部电信传输研究所 | 一种分布式网络爬虫的url排重***及方法 |
CN103226609A (zh) * | 2013-05-03 | 2013-07-31 | 福建师范大学 | 一种web聚焦搜索***的搜索方法 |
CN104978408A (zh) * | 2015-08-05 | 2015-10-14 | 许昌学院 | 基于Berkeley DB数据库的主题爬虫*** |
CN105843965A (zh) * | 2016-04-20 | 2016-08-10 | 广州精点计算机科技有限公司 | 一种基于url主题分类的深层网络爬虫表单填充方法和装置 |
CN106777043A (zh) * | 2016-12-09 | 2017-05-31 | 宁波大学 | 一种基于lda的学术资源获取方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968770A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 一种终止爬虫工具爬取的方法及装置 |
CN110968770B (zh) * | 2018-09-29 | 2023-09-05 | 北京国双科技有限公司 | 一种终止爬虫工具爬取的方法及装置 |
CN110968779A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 网页信息爬取的处理方法和装置 |
CN109614536A (zh) * | 2018-11-30 | 2019-04-12 | 平安科技(深圳)有限公司 | 基于YouTuBe的视频批量爬取方法、***、装置及可存储介质 |
CN112905867A (zh) * | 2019-03-14 | 2021-06-04 | 福建省天奕网络科技有限公司 | 一种高效率的历史数据追溯爬取方法及终端 |
CN112905866A (zh) * | 2019-03-14 | 2021-06-04 | 福建省天奕网络科技有限公司 | 一种无需人工参与的历史数据追溯爬取方法及终端 |
CN112905867B (zh) * | 2019-03-14 | 2022-06-07 | 福建省天奕网络科技有限公司 | 一种高效率的历史数据追溯爬取方法及终端 |
CN112905866B (zh) * | 2019-03-14 | 2022-06-07 | 福建省天奕网络科技有限公司 | 一种无需人工参与的历史数据追溯爬取方法及终端 |
CN110175277B (zh) * | 2019-05-07 | 2023-07-07 | 南京邮电大学 | 面向电商平台的农药信息采集方法 |
CN110175277A (zh) * | 2019-05-07 | 2019-08-27 | 南京邮电大学 | 面向电商平台的农药信息采集方法 |
CN110929128A (zh) * | 2019-12-11 | 2020-03-27 | 北京启迪区块链科技发展有限公司 | 一种数据爬取方法、装置、设备和介质 |
CN111767442A (zh) * | 2020-04-29 | 2020-10-13 | 百度在线网络技术(北京)有限公司 | 数据更新方法、装置、搜索服务器、终端及存储介质 |
US11803597B2 (en) | 2020-04-29 | 2023-10-31 | Baidu Online Network Technology (Beijing) Co., Ltd. | Data updating method, apparatus, search server, terminal and storage medium |
CN111767442B (zh) * | 2020-04-29 | 2023-12-26 | 百度在线网络技术(北京)有限公司 | 数据更新方法、装置、搜索服务器、终端及存储介质 |
CN112035723A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 资源库的确定方法和装置、存储介质及电子装置 |
CN112507341A (zh) * | 2020-12-03 | 2021-03-16 | 广州万方计算机科技有限公司 | 基于网络爬虫的漏洞扫描方法、装置、设备和存储介质 |
CN113641884A (zh) * | 2021-08-10 | 2021-11-12 | 南方电网数字电网研究院有限公司 | 基于语义的电力计量数据处理方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108415941A (zh) | 一种网页爬虫方法、装置以及电子设备 | |
US11687600B2 (en) | Ranking search results based upon content creation trends | |
US10140368B2 (en) | Method and apparatus for generating a recommendation page | |
US9798648B2 (en) | Transitive source code violation matching and attribution | |
CN108334585A (zh) | 一种网页爬虫方法、装置以及电子设备 | |
KR102208988B1 (ko) | 네이티브 어플리케이션들의 어플리케이션 페이지들을 인덱싱 | |
CN110134760A (zh) | 一种搜索方法、装置、设备及介质 | |
JP6966158B2 (ja) | 検索データを処理するための方法、装置及びプログラム | |
CN105022801A (zh) | 一种热门视频挖掘方法和装置 | |
CN108171267A (zh) | 用户群划分方法及装置、消息推送方法及装置 | |
JP2019536171A (ja) | ウェブページのクラスタリング方法及び装置 | |
CN110245279A (zh) | 依赖树生成方法、装置、设备及存储介质 | |
CN107016045A (zh) | 一种分页数据查询的方法及装置 | |
CN103873318A (zh) | 一种网站自动化测试方法及自动化测试*** | |
CN109743309A (zh) | 一种非法请求识别方法、装置及电子设备 | |
CN110263050A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN104484413A (zh) | 一种获得搜索结果的方法和装置 | |
CN110119381A (zh) | 一种索引更新方法、装置、设备及介质 | |
CN109492401A (zh) | 一种内容载体风险检测方法、装置、设备及介质 | |
CN109656946A (zh) | 一种多表关联查询方法、装置及设备 | |
CN111209277B (zh) | 一种数据处理方法、装置、设备及介质 | |
CN108470043A (zh) | 一种业务结果的获取方法及装置 | |
CN116662657A (zh) | 一种模型训练和信息推荐的方法、装置、存储介质及设备 | |
CN111209389A (zh) | 一种电影故事生成方法 | |
CN110119442A (zh) | 一种动态搜索方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180817 |
|
RJ01 | Rejection of invention patent application after publication |