[发明专利]一种网络爬虫去重特征值的提取方法和装置有效
| 申请号： | 201410231745.9 | 申请日： | 2014-05-28 |
| 公开（公告）号： | CN103984753B | 公开（公告）日： | 2018-02-09 |
| 发明（设计）人： | 黎小为;周东 | 申请（专利权）人： | 北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京邦信阳专利商标代理有限公司11012 | 代理人： | 王昭林,金玺 |
| 地址： | 100080 北京市海淀区杏石口路6*** | 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： | 本发明公开了一种网络爬虫去重特征值的提取方法，包括步骤一，根据目标网站的统一资源定位符URL域名和URL种子特征生成正则表达式；步骤二，从目标网站的URL地址中捕获与所述正则表达式匹配的字符串；步骤三，对所述字符串进行预定的格式转换，得到所述URL地址的去重特征值。本发明还提供一种网络爬虫去重特征值的提取装置。本发明适用于对不同URL链接指向相同页面的情况实现去重。 | ||
| 搜索关键词： | 一种 网络 爬虫 特征值 提取 方法 装置 | ||
【主权项】：
一种网络爬虫去重特征值的提取方法，其特征在于，包括：步骤一，根据目标网站的统一资源定位符URL域名和URL种子特征生成正则表达式；步骤二，从目标网站的URL地址中捕获与所述正则表达式匹配的字符串，所述字符串能唯一标识所述目标网站；步骤三，对所述字符串进行预定的格式转换，得到所述URL地址的去重特征值；查询去重特征值集合，判断所述URL地址的去重特征值是否存在于所述去重特征值集合中，如果存在，放弃所述URL地址的去重特征值；如果不存在，下载所述URL地址的页面，并将所述URL地址的去重特征值添加至所述去重特征值集合中；其中所述去重特征值集合中的元素为已完成页面下载的URL地址的去重特征值。
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京京东尚科信息技术有限公司;北京京东世纪贸易有限公司，未经北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司许可，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/201410231745.9/，转载请声明来源钻瓜专利网。
- 上一篇：户外景观型配电柜
- 下一篇：一种开关柜双门联锁机构
