[发明专利]一种基于网络爬虫的文本信息爬取方法有效
| 申请号： | 201810705012.2 | 申请日： | 2018-07-01 |
| 公开（公告）号： | CN109002508B | 公开（公告）日： | 2021-08-06 |
| 发明（设计）人： | 向湘杰 | 申请（专利权）人： | 上海众引文化传播股份有限公司 |
| 主分类号： | G06F16/951 | 分类号： | G06F16/951;G06F16/955;G06F16/33;G06F40/211;G06F40/289 |
| 代理公司： | 北京成实知识产权代理有限公司 11724 | 代理人： | 陈永虔 |
| 地址： | 200000 上海市嘉定*** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了一种基于网络爬虫的文本信息爬取方法，通过服务器获取网络爬虫任务的配置文件和第一文本；所述服务器根据所述配置文件开启网络URL信息爬取，并将爬取的信息整合为待处理信息；所述服务器对所述待处理信息进行查重及删除重复内容处理后，得到第二文本；所述服务器计算第一文本与第二文本之间的相似度，若相似度超出预设阈值，则输出第二文本。本发明基于网络爬虫进行信息获取，并针对第一文本和第二文本的相似度判定本次爬取的信息是否符合要求，所以提高了信息爬取的效率。 | ||
| 搜索关键词： | 一种 基于 网络 爬虫 文本 信息 方法 | ||
【主权项】：
1.一种基于网络爬虫的文本信息爬取方法，其特征在于，所述方法包括：服务器获取网络爬虫任务的配置文件和第一文本；所述配置文件含有的任务为：获取网络中与第一文本所含内容相似度超出预定第一阈值的信息；所述服务器根据所述配置文件开启网络URL信息爬取，并将爬取的信息整合为待处理信息；所述服务器对所述待处理信息进行查重及删除重复内容处理后，得到第二文本；所述服务器计算第一文本与第二文本之间的相似度，若相似度低于第二预设阈值，则重新根据所述配置文件开启网络URL信息爬取，若相似度超出第二预设阈值，则输出第二文本。
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上海众引文化传播股份有限公司，未经上海众引文化传播股份有限公司许可，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/201810705012.2/，转载请声明来源钻瓜专利网。
