[发明专利]一种自动获取xpath生成爬虫脚本的方法及系统有效
| 申请号： | 201711034452.1 | 申请日： | 2017-10-30 |
| 公开（公告）号： | CN107943838B | 公开（公告）日： | 2021-09-07 |
| 发明（设计）人： | 姬永杰;陈国强;任建新 | 申请（专利权）人： | 北京大数元科技发展有限公司 |
| 主分类号： | G06F16/951 | 分类号： | G06F16/951;G06F8/30 |
| 代理公司： | 北京天悦专利代理事务所(普通合伙) 11311 | 代理人： | 田明;任晓航 |
| 地址： | 100094 北京市海淀区西北*** | 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： | 本发明公开了一种自动获取xpath生成爬虫脚本的方法及系统，所述方法包括以下步骤：(1)通过url地址打开网页，遍历网页中所有的a标签；(2)取出每个a标签对应的xpath路径；(3)按xpath路径相同划分为一组；然后，统计分组后a标签个数；(4)取出每组中的一个a标签，打开该链接网页；(5)对于步骤4中每个被打开的网页，统计网页中的a标签个数以及文字个数；(6)取出文字个数最多且a标签个数最少的一组，记录其对应的xpath路径；(7)基于Scrapy框架，根据对应的xpath路径生成爬虫脚本。该方法能够基于Scrapy框架对政府网站公开信息进行爬取，可以自动解析出网页中所需内容的xpath路径，提升爬虫管理的自动化水平。 | ||
| 搜索关键词： | 一种 自动 获取 xpath 生成 爬虫 脚本 方法 系统 | ||
【主权项】：
一种自动获取xpath生成爬虫脚本的方法，包括以下步骤：步骤1，获取网页的url地址，并通过url地址打开网页，遍历网页中所有的<a>标签；所述<a>标签用于定义超链接；步骤2，取出每个<a>标签对应的xpath路径；步骤3，按以下原则对<a>标签进行分组：xpath路径相同则划分为一组；然后，统计分组后<a>标签个数；步骤4，取出每组中的一个<a>标签，打开该链接网页；步骤5，对于步骤4中每个被打开的网页，统计网页中的<a>标签个数以及文字个数；所述文字个数指<a>标签的文字个数；步骤6，取出文字个数最多且<a>标签个数最少的一组，记录其对应的xpath路径；步骤7，基于Scrapy框架，根据对应的xpath路径生成爬虫脚本。
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大数元科技发展有限公司，未经北京大数元科技发展有限公司许可，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/201711034452.1/，转载请声明来源钻瓜专利网。
