[发明专利]网页分类存储系统及方法

说明书

技术领域

本发明涉及互联网技术领域，具体涉及一种网页分类存储系统及方法。

背景技术

在搜索技术中，基本上分为两大类。一类是以整个互联网为对象，抓取全部网页（目前在一个站点内会限制抓取深度，且一般不处理js（java script），而且只是处理部分动态页面），并对网页进行处理和分析的网页搜索，即全网搜索。另一类是只针对某类别的页面进行抓取和分析处理的垂直搜索，如：图片搜索、视频搜索、博客搜索、论坛搜索、新闻搜索等。对于大部分垂直搜索来说，目前都是基于种子（也称作列表页）进行处理。垂直搜索的处理可分为两个部分：其一是找种子；其二是从种子页面上发现具体产品页面，即不同类别（图片、视频、新闻等）的页面，然后对这些产品页面进行处理。

现有的全网搜索，基本上不考虑垂直搜索的需求，无法区分网页类别，且对每一个页面的处理原则基本上是一致的。因此全网搜索时抓取的网页都是统一存储，不会按网页类别存储如果类别不同页面放在一起进行模式识别，干扰因素太多，结果很难预料。若是垂直搜索想利用全网搜索的搜索结果，就必须将全网搜索的结果按网页类别分类，且按类别存储，以方便网页分类时的对网页页面框架的模式识别，如果把毫不相干的站点页面放在一起进行模式识别，干扰因素太多，结果很难预料。因此，对全网搜索的结果按网页类别分类存储是亟待解决的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的网页分类存储系统及方法。

依据本发明的一个方面，提供了一种网页分类存储系统，包括：

页面框架ID计算模块，适于抽取预先获取的网页的页面框架，计算页面框架ID；

页面框架存储模块，适于将相同页面框架ID的页面框架存储在以所述页面框架ID为名称的目录下。

可选地，所述页面框架存储模块具体适于在当前子目录下查找以所述页面框架ID为名称的目录是否存在，若存在，则将页面框架存储在相应ID的目录下，若不存在，则创建以所述页面框架ID为名称的目录，再将页面框架存储在相应ID的目录下。

可选地，所述系统还包括：

框架数量统计模块，适于统计所述页面框架ID为名称的目录下页面框架数量；

网页内容存储模块，适于若达到阈值则计算页面框架模式，并按计算出的页面框架模式对该目录下的页面框架对应的网页进行数据内容下载，并将下载的数据内容存储在指定的目录下。

可选地，所述网页内容存储模块进一步包括：快速页面存储模块，适于将需要快速处理的下载页面存储在指定的快速处理目录下,所述需要快速处理的下载页面为网站首页及其直接下层页面中出现的新页面。

可选地，网页内容存储模块进一步包括：阈值调节模块，适于判断在预定时间内对应一ID的页面框架数量是否累计达到所述阈值，若没有，则将该ID对应的阈值以一定的步长递减。

可选地，所述页面框架ID计算模块进一步包括：哈希计算模块，适于采用哈希函数计算所述页面框架，并以哈希值的后n bit作为页面框架ID。

可选地，所述系统还包括：域名目录创建模块，适于对于同一站点的不同域名按不同优先级建立优先级目录，以所述页面框架ID为名称的目录位于每个域名下对应优先级目录下。

可选地，所述系统还包括：网页获取模块，适于通过全网搜索获取网页，并以站点为单位获取网页，同一站点下不同域名的对应的网页存储在相同的根目录下。

根据本发明的另一方面，提供了一种网页分类存储方法，包括以下步骤：

抽取预先获取的网页的页面框架，计算页面框架ID；

将相同页面框架ID的页面框架存储在以所述页面框架ID为名称的目录下。

可选地，所述将相同页面框架ID的页面框架存储在以所述页面框架ID为名称的目录下具体包括：

在当前子目录下查找以所述页面框架ID为名称的目录是否存在，若存在，则将页面框架存储在相应ID的目录下，若不存在，则创建以所述页面框架ID为名称的目录，再将页面框架存储在相应ID的目录下。

可选地，页面框架存储在所述页面框架ID为名称的目录下之后还包括步骤：

统计所述页面框架ID为名称的目录下页面框架数量，若达到阈值则计算页面框架模式，并按计算出的页面框架模式对该目录下的页面框架对应的网页进行数据内容下载，并将下载的数据内容存储在指定的目录下；若未达到所述阈值，则继续统计该目录下页面框架数量。