[发明专利]搜索引擎爬虫抓取网页的方法及装置有效
| 申请号： | 201410347538.X | 申请日： | 2014-07-21 |
| 公开（公告）号： | CN104090976B | 公开（公告）日： | 2017-06-23 |
| 发明（设计）人： | 王智广 | 申请（专利权）人： | 北京奇虎科技有限公司;奇智软件（北京）有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京市浩天知识产权代理事务所(普通合伙)11276 | 代理人： | 宋菲,刘云贵 |
| 地址： | 100088 北京市西城区新*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种搜索引擎爬虫抓取网页的方法，其包括获取搜索引擎爬虫多个目标网页的网址信息以及网址信息对应的链接锚文本；根据链接锚文本识别每个目标网页是否为原创网页；对于识别出的原创网页，计算原创网页的网页内容被转载的次数；基于原创网页被转载的次数确定各个目标网页的抓取优先级；根据确定的抓取优先级将各个目标网页插入到待抓取网页列表进行网页抓取。该方法根据获取的链接锚文本将目标网页进行了区分，分为原创网页和转载网页，避免了搜索引擎爬虫每天能够实际抓取的URL有限时，搜索引擎爬虫重复抓取转载网页的问题；通过确定目标网页的抓取优先级提升了搜索引擎抓取流量的利用效率，及时收录了用户的原创内容。 | ||
| 搜索关键词： | 搜索引擎 爬虫 抓取 网页 方法 装置 | ||
【主权项】：
一种搜索引擎爬虫抓取网页的方法，其包括：获取搜索引擎爬虫多个目标网页的网址信息以及所述网址信息对应的链接锚文本；根据所述链接锚文本识别每个目标网页是否为原创网页；对于识别出的原创网页，计算所述原创网页的网页内容被转载的次数；基于原创网页被转载的次数确定各个目标网页的抓取优先级，其中，所述原创网页的抓取优先级是根据原创网页被转载的次数确定的，原创网页被转载的次数越高，该原创网页的抓取优先级越高；根据确定的抓取优先级将各个目标网页插入到待抓取网页列表进行网页抓取；其中，所述对于识别出的原创网页，计算所述原创网页的网页内容被转载的次数进一步包括：根据所述原创网页的链接锚文本，查找与所述原创网页的链接锚文本匹配的转载网页，根据查找出的转载网页的个数确定所述原创网页的网页内容被转载的次数。
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北京奇虎科技有限公司;奇智软件（北京）有限公司，未经北京奇虎科技有限公司;奇智软件（北京）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/patent/201410347538.X/，转载请声明来源钻瓜专利网。
- 上一篇：一种架空送电线路工程测量内外业一体化系统
- 下一篇：兴趣点的展现方法及装置
