CN113553489B - 内容抓取的方法、装置、设备、介质及程序产品 - Google Patents
内容抓取的方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN113553489B CN113553489B CN202110863076.7A CN202110863076A CN113553489B CN 113553489 B CN113553489 B CN 113553489B CN 202110863076 A CN202110863076 A CN 202110863076A CN 113553489 B CN113553489 B CN 113553489B
- Authority
- CN
- China
- Prior art keywords
- grabbing
- request
- resource type
- content
- resource
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000009193 crawling Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F16/951—Indexing; Web crawling techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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 Transfer Between Computers (AREA)
Abstract
本公开提供了一种内容抓取的方法、装置、设备、介质及程序产品，涉及互联网技术。该方法的一实施方式包括：获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。
Description
技术领域
本公开实施例涉及计算机领域，具体涉及互联网技术，尤其涉及一种内容抓取的方法、装置、设备、介质及程序产品。
背景技术
抓取是搜索收录互联网内容的第一步，每天收录几十亿的各类互联网资源。抓取***是Spider的重要一环，需要轻量和高效的获取网页、图片、视频资源。
目前，抓取***采用的是原生套接字（Socket）的方式，只支持超文本传输协议（HyperText Transfer Protocol，HTTP），HTTPS需要通过Nginx代理，以实现对资源的抓取。
发明内容
本公开实施例提出了一种内容抓取的方法、装置、设备、介质及程序产品。
第一方面，本公开实施例提出了一种内容抓取的方法，包括：获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。
第二方面，本公开实施例提出了一种内容抓取的装置，包括：数据获取模块，被配置成获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；关系获取模块，被配置成从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；内容抓取模块，被配置成利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。
第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面描述的方法。
第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面描述的方法。
第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面描述的方法。
第六方面，本公开实施例提出了一种内容抓取***，包括终端设备和第三方面描述的电子设备。
本公开实施例提供的内容抓取的方法、装置、设备、介质及程序产品，首先获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；然后从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；最后利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。可以根据资源类型更加灵活的编排处理流程，更加方便的适应新协议的扩展，在相同抓取成功率下，更加节省了资源。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开可以应用于其中的示例性***架构图；
图2是根据本公开的内容抓取的方法的一个实施例的流程图；
图3是根据本公开的内容抓取的方法的一个实施例的流程图；
图4是批量处理的流程图；
图5是不同资源类型对应的抓取流程图；
图6是不同抓取器的示意图；
图7为网页对应的内容抓取***；
图8是根据本公开的内容抓取的方法的应用场景的一个实施例的示意图；
图9是根据本公开的内容抓取的装置的一个实施例的示意图；
图10是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的内容抓取的方法或内容抓取的装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以获取抓取请求，以及其他交通工具的交通参数等。终端设备101、102、103上可以安装有各种客户端应用、智能交互应用，例如图片软件、网页软件等等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103时，终端设备可以为与用户通过键盘、触摸板、显示屏、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如PC(Personal Computer，个人计算机)、手机、智能手机、PDA(Personal Digital Assistant，个人数字助手)、可穿戴设备、PPC(PocketPC，掌上电脑)、平板电脑、智能车机、智能电视、智能音箱、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如，服务器105可以获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块（例如用来提供分布式服务），也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的内容抓取的方法一般由服务器105执行，相应地，内容抓取的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本公开的内容抓取的方法的一个实施例的流程200。该内容抓取的方法可以包括以下步骤：
步骤201，获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子。
在本实施例中，内容抓取的方法的执行主体（例如图1所示的服务器105）可以从本地或从终端设备（例如图1所示的终端设备101、102、103）获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子。上述抓取请求可以用于对不同资源类型的内容进行抓取。上述资源类型可以为待抓取的资源，例如，网页、图片、文本等。
在这里，图实例可以为对每个抓取请求转化为DAG图（Directed Acyclic Graph）。DAG图中的节点可以用于表示每个抓取请求中的算子，例如，转存参数对应的算子。
步骤202，从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系。
在本实施例中，上述执行主体可以从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系。
具体地，上述执行主体可以对预设的配置文件进行解析，得到依赖关系集合；之后，从依赖关系集合中获取与每个抓取请求中资源类型对应的依赖关系。上述依赖关系集合可以包括不同资源类型对应的依赖关系，该依赖关系可以用于定义图实例中算子的执行顺序。
需要说明的是，可以根据不同的资源类型，预先建立依赖关系集合，以得到针对依赖关系的配置文件。
在本实施例中，在资源类型对应的抓取流程发生变化时，可以对配置文件中该抓取流程对应的依赖关系进行调整。
步骤203，利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。
在本实施例中，上述执行主体可以利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。
具体地，根据每个抓取请求对应的依赖关系，确定算子的执行顺序；之后，根据算子的执行顺序调用该抓取请求中资源类型对应的算子，对该抓取请求中资源类别的内容进行抓取。上述资源类型的内容可以为资源类型所包含的内容；例如，图片包含的内容，网页包含的内容。
本公开实施例提供的内容抓取的方法，首先获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；然后从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；最后利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。可以根据资源类型更加灵活的编排处理流程，更加方便的适应新协议的扩展，在相同抓取成功率下，更加节省了资源。
进一步参考图3，图3示出了根据本公开的一种内容抓取的方法的一个实施例的流程300。该内容抓取的方法可以包括以下步骤：
步骤301，获取多个抓取请求中每个抓取请求对应的图实例，其中，所述图实例的顶点为执行所述每个抓取请求的算子。
步骤302，从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系。
步骤303，将每个抓取请求对应的任务对象放入任务队列中。
在本实施例中，内容抓取的方法的执行主体（例如图1所示的服务器105）可以将每个抓取请求对应的任务对象放入任务队列中。上述任务对象可以为抓取请求对应的对象，例如网页或图片。上述任务队列可以为所有任务对象按照顺序排序形成的队列。
步骤304，利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对每个抓取请求中资源类型的内容进行抓取。
在本实现方式中，上述执行主体可以利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对每个抓取请求中资源类型的内容进行抓取。
在一个示例中，在图4中，基于Libcurl的实现的高并发Plugin（Plug-in，addin，add-in，addon或add-on），具有基于任务池（Task Pool）和任务队列（Task queue）的任务管理能力，且Epoll+libcurl multi（包括多个curl（CommandLine Uniform ResourceLocator））具有批量并发处理能力，以对站点（site）上资源的内容进行抓取。
在本实施例中，步骤301、302的具体操作分别已在图2所示的实施例中步骤201、202进行了详细的介绍，在此不再赘述。
从图3中可以看出，与图2对应的实施例相比，本实施例中的内容抓取的方法突出了对资源类型的内容进行抓取的步骤。由此，本实施例描述的方案将每个抓取请求对应的任务对象放入任务队列中；之后，利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对每个抓取请求中资源类型的内容进行抓取；能够实现对多个抓取任务的批量处理。
在本实施例的一些可选的实现方式中，资源类型为网页或图片。
在本实现方式中，在图5中，在资源类型为网页时，在获取抓取请求之后，进行参数校验；之后，得到校验结果；之后，通过http进行抓取，得到抓取结果；之后，对抓取结果进行解析，得到解析结果，例如，Frame标签信息和GS标签信息；之后，将解析结果下发至终端设备，并在终端设备上显示该结果。
需要说明的是，对于网页，在抓取之后需要对抓取结果进行解析，以得到标签信息。
在本实现方式中，在图5中在资源类型为图片时，在获取抓取请求之后，进行参数校验；之后，得到校验结果；之后，通过http进行抓取，得到抓取结果；之后，将抓取结果进行转存，得到转存结果，例如，用户信息、地址、时间等信息；之后，将解析结果下发至终端设备，并在终端设备上显示该结果。
需要说明的是，对于图片，在抓取之后需要对抓取结果进行转存。
对应地，在该示例中，上述参数校验可以为对发送抓取请求的终端设备的合法性进行校验。
在本实现方式中，可以对网页和图片更加灵活的编排处理流程，更加方便的适应新协议的扩展，在相同抓取成功率下，更加节省了资源。
在本实施例的一些可选的实现方式中，该内容抓取的方法还包括：获取资源服务器的历史压力；响应于所述历史压力满足预设的压力阈值，确定与所述历史压力对应的抓取资源类型的数量。
在本实现方式中，上述执行主体还可以获取资源服务器的历史压力，该历史压力可以为历史抓取资源类型的预测值，通过对该预测值进行分析，可以确定当前抓取资源类型的数量，例如，抓取3个网页的内容。上述资源服务器可以为通过抓取器（例如图6所示的抓取器1和抓取器2）在其上进行资源的抓取，例如，通过抓取器在资源服务器上抓取网页。
需要说明的是，图6中的特化算子可以为对不同资源实施抓取步骤对应的算子，例如，抓取网页的内容对应的算子，抓取图片的内容对应的算子。通用算子可以为图5中参数校验对应的算子。可选的，将通用算子设置为插件（Plugin），例如图7中的Curl Plugin和Dns Plugin。
在一个示例中，在图7中，抓取器可以通过JS（JavaScript）重定向和Meta重定向，从资源服务器中的第一资源重定向至第二资源，例如，可以通过JS重定向和Meta重定向，从资源服务器中的第一网页重定向至第二网页，以实施对第二网页的抓取。
在图7中，针对的资源类型为网页，在获取抓取请求之后，通过http进行抓取，得到抓取结果；之后，通过超文本标记语言（HyperText Markup Language，Html）对抓取结果进行解析，得到解析结果，例如，Frame标签信息；之后，对标签信息进行拼接，得到最终结果，将最终结果下发至终端设备，还可以将最终结果进行转存。
在本实现方式中，可以通过资源服务器的历史压力，控制当前抓取资源类型的数量，以避免在抓取过程中影响资源服务器的正常运行。
进一步参考图8，图8示出了根据本公开的内容抓取的方法的应用场景一个实施例的示意图。在该应用场景中，终端设备（例如图1所示的终端设备101、102、103）801，用于向服务器（例如图1所示的服务器105）802发送多个抓取请求；之后，由服务器802获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取；之后，由服务器802向终端设备801下发资源类型的内容。
进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种内容抓取的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，本实施例的内容抓取的装置900可以包括：数据获取模块901、关系获取模块902和内容抓取模块903。其中，数据获取模块901，被配置成获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；关系获取模块902，被配置成从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；内容抓取模块903，被配置成利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取。
在本实施例中，内容抓取的装置900中：数据获取模块901、关系获取模块902和内容抓取模块903的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，内容抓取模块903，进一步配置成：将每个抓取请求对应的任务对象放入任务队列中；利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对每个抓取请求中资源类型的内容进行抓取。
在本实施例的一些可选的实现方式中，资源类型为网页或图片。
在本实施例的一些可选的实现方式中，该内容抓取装置还包括：压力获取模块，被配置成获取资源服务器的历史压力；数量确定模块，被配置成响应于历史压力满足预设的压力阈值，确定与历史压力对应的抓取资源类型的数量。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种内容抓取***，包括：终端设备和电子设备，其中，电子设备，被配置成获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，对每个抓取请求中资源类型的内容进行抓取；终端设备，被配置成接收电子设备发送的每个抓取请求中资源类型的内容。
在本实施例的一些可选的实现方式中，电子设备，进一步被配置成：将每个抓取请求对应的任务对象放入任务队列中；利用与每个抓取请求对应的依赖关系，以及每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对每个抓取请求中资源类型的内容进行抓取。
在本实施例的一些可选的实现方式中，资源类型为网页或图片。
在本实施例的一些可选的实现方式中，电子设备，进一步被配置成：获取资源服务器的历史压力；响应于所述历史压力满足预设的压力阈值，确定与所述历史压力对应的抓取资源类型的数量。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器（ROM）1002中的计算机程序或者从存储单元1008加载到随机访问存储器（RAM）1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如内容抓取的方法。例如，在一些实施例中，内容抓取的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的内容抓取的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行内容抓取的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上***的***（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***（例如，作为数据服务器）、或者包括中间件部件的计算***（例如，应用服务器）、或者包括前端部件的计算***（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将***的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
人工智能是研究计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语音处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提及的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (11)
1.一种内容抓取的方法，包括：
获取多个抓取请求中每个抓取请求对应的图实例，其中，所述图实例的顶点为执行所述每个抓取请求的算子；
从预设的配置文件中，获取所述每个抓取请求中资源类型对应的依赖关系；
将所述每个抓取请求对应的任务对象放入任务队列中；
利用与所述每个抓取请求对应的依赖关系，以及所述每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对所述每个抓取请求中资源类型的内容进行抓取。
2.根据权利要求1所述的方法，其中，所述资源类型为网页或图片。
3.根据权利要求1或2所述的方法，所述方法还包括：
获取资源服务器的历史压力；
响应于所述历史压力满足预设的压力阈值，确定与所述历史压力对应的抓取资源类型的数量。
4.一种内容抓取的装置，包括：
数据获取模块，被配置成获取多个抓取请求中每个抓取请求对应的图实例，其中，所述图实例的顶点为执行所述每个抓取请求的算子；
关系获取模块，被配置成从预设的配置文件中，获取所述每个抓取请求中资源类型对应的依赖关系；
内容抓取模块，被配置成：
将所述每个抓取请求对应的任务对象放入任务队列中；
利用与所述每个抓取请求对应的依赖关系，以及所述每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对所述每个抓取请求中资源类型的内容进行抓取。
5.根据权利要求4所述的装置，其中，所述资源类型为网页或图片。
6.根据权利要求4或5所述的装置，所述装置还包括：
压力获取模块，被配置成获取资源服务器的历史压力；
数量确定模块，被配置成响应于所述历史压力满足预设的压力阈值，确定与所述历史压力对应的抓取资源类型的数量。
7.一种电子设备，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执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
9.一种内容抓取***，包括：终端设备和如权利要求7所述的电子设备，其中，
电子设备，被配置成获取多个抓取请求中每个抓取请求对应的图实例，其中，图实例的顶点为执行每个抓取请求的算子；从预设的配置文件中，获取每个抓取请求中资源类型对应的依赖关系；将所述每个抓取请求对应的任务对象放入任务队列中；利用所述与所述每个抓取请求对应的依赖关系，以及所述每个抓取请求中资源类型对应的算子，批量处理任务队列中的任务对象，对所述每个抓取请求中资源类型的内容进行抓取；
所述终端设备，被配置成接收所述电子设备发送的每个抓取请求中资源类型的内容。
10.根据权利要求9所述的***，其中，所述资源类型为网页或图片。
11.根据权利要求9或10所述的***，所述电子设备，进一步被配置成：
获取资源服务器的历史压力；响应于所述历史压力满足预设的压力阈值，确定与所述历史压力对应的抓取资源类型的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110863076.7A CN113553489B (zh) | 2021-07-29 | 2021-07-29 | 内容抓取的方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110863076.7A CN113553489B (zh) | 2021-07-29 | 2021-07-29 | 内容抓取的方法、装置、设备、介质及程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113553489A CN113553489A (zh) | 2021-10-26 |
| CN113553489B true CN113553489B (zh) | 2023-06-23 |
Family
ID=78133191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110863076.7A Active CN113553489B (zh) | 2021-07-29 | 2021-07-29 | 内容抓取的方法、装置、设备、介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113553489B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213824A (zh) * | 2017-06-29 | 2019-01-15 | 北京京东尚科信息技术有限公司 | 数据抓取***、方法和装置 |
| CN109391649A (zh) * | 2017-08-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 页面加载的方法、装置和*** |
| CN110851283A (zh) * | 2019-11-14 | 2020-02-28 | 百度在线网络技术（北京）有限公司 | 资源处理方法、装置以及电子设备 |
| CN113127182A (zh) * | 2019-12-30 | 2021-07-16 | ***通信集团上海有限公司 | 深度学习调度配置***及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10210255B2 (en) * | 2015-12-31 | 2019-02-19 | Fractal Industries, Inc. | Distributed system for large volume deep web data extraction |
| US20170124497A1 (en) * | 2015-10-28 | 2017-05-04 | Fractal Industries, Inc. | System for automated capture and analysis of business information for reliable business venture outcome prediction |
-
2021
- 2021-07-29 CN CN202110863076.7A patent/CN113553489B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109213824A (zh) * | 2017-06-29 | 2019-01-15 | 北京京东尚科信息技术有限公司 | 数据抓取***、方法和装置 |
| CN109391649A (zh) * | 2017-08-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 页面加载的方法、装置和*** |
| CN110851283A (zh) * | 2019-11-14 | 2020-02-28 | 百度在线网络技术（北京）有限公司 | 资源处理方法、装置以及电子设备 |
| CN113127182A (zh) * | 2019-12-30 | 2021-07-16 | ***通信集团上海有限公司 | 深度学习调度配置***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于任务-资源分配图优化选取的网格依赖任务调度;陈廷伟;张斌;郝宪文;;计算机研究与发展(10);111-120 * |
| 搜索引擎中网络蜘蛛的研究与实现;毛晓蛟;;电脑编程技巧与维护(18);90-92 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113553489A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107844324B (zh) | 客户端页面跳转处理方法和装置 | |
| CN111443909B (zh) | 用于生成页面的方法及装置 | |
| CN109413140B (zh) | Pacs服务器远程自动升级的方法 | |
| CN110929128A (zh) | 一种数据爬取方法、装置、设备和介质 | |
| CN113392346B (zh) | 资源文件的路径处理方法、装置、电子设备及存储介质 | |
| CN110598135A (zh) | 网络请求处理方法、装置、计算机可读介质及电子设备 | |
| CN111581555A (zh) | 一种文档加载方法、装置、设备及存储介质 | |
| CN115357761A (zh) | 链路追踪方法、装置、电子设备及存储介质 | |
| CN112965916B (zh) | 页面测试方法、页面测试装置、电子设备及可读存储介质 | |
| CN113760438A (zh) | 网页应用的页面显示方法及装置 | |
| CN107329981B (zh) | 页面检测的方法和装置 | |
| CN113553489B (zh) | 内容抓取的方法、装置、设备、介质及程序产品 | |
| CN111338928A (zh) | 基于chrome浏览器测试的方法及装置 | |
| CN111309323B (zh) | 参数初始化方法、装置和电子设备 | |
| CN110909269B (zh) | 一种日志上报的方法和装置 | |
| CN107220306B (zh) | 一种搜索方法和装置 | |
| CN110858240A (zh) | 一种前端模块加载方法和装置 | |
| CN110209959B (zh) | 信息处理方法和装置 | |
| CN110795670A (zh) | 网页图像的监控方法、装置、电子设备及可读存储介质 | |
| CN113177562B (zh) | 基于自注意力机制融合上下文信息的向量确定方法及装置 | |
| CN111026983B (zh) | 一种实现超链接的方法、装置、介质和电子设备 | |
| CN112905254B (zh) | 用于发送请求的方法和装置 | |
| CN112445517B (zh) | 入口文件生成方法、装置、电子设备和计算机可读介质 | |
| CN113361235B (zh) | Html文件的生成方法、装置、电子设备及可读存储介质 | |
| CN115333858B (zh) | 登录页面破解方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |