[发明专利]一种用于分布式爬虫网址去重的方法在审
| 申请号： | 202010303523.9 | 申请日： | 2020-04-16 |
| 公开（公告）号： | CN111522847A | 公开（公告）日： | 2020-08-11 |
| 发明（设计）人： | 徐利东;远贵良 | 申请（专利权）人： | 山东贝赛信息科技有限公司 |
| 主分类号： | G06F16/2455 | 分类号： | G06F16/2455;G06F16/2458;G06F16/951;G06F16/955 |
| 代理公司： | 济南瑞宸知识产权代理有限公司 37268 | 代理人： | 王萍 |
| 地址： | 250000 山东省济南市经十路7000号*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 用于 分布式 爬虫 网址 方法 | ||
【权利要求书】：
1.一种用于分布式爬虫网址去重的方法，其特征在于所述的分布式爬虫网址去重的步骤如下：
步骤1：采集URL集合：通过爬虫获取需要采集的URL集合；
步骤2：初次计算：针对采集的每个URL进行编码计算，针对编码前两位计算所在的内存数据库；
步骤3：二次计算：将初次计算编码数据发送到所在内存数据库做去重计算；
步骤4：判断数据是否存在一：判断采集发送的数据是否在内存数据库中，如果内存数据库中有相同匹配数据，返回失败；
步骤5：判断数据是否存在二：判断采集发送的数据是否在内存数据库中，如果内存数据库中没有相同匹配数据，不存在重复，返回成功；
步骤6：完成采集：将判断后返回的数据采集成功。
2.根据权利要求1所述的一种用于分布式爬虫网址去重的方法，其特征在于：所述的采集URL集合的爬虫为分布式爬虫。
3.根据权利要求1所述的一种用于分布式爬虫网址去重的方法，其特征在于：所述的初次计算的内存数据库为分布式内存数据库。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于山东贝赛信息科技有限公司，未经山东贝赛信息科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010303523.9/1.html，转载请声明来源钻瓜专利网。
