[发明专利]一种分布式动态可配置的爬虫平台及爬虫方法在审
申请号: | 202111348896.9 | 申请日: | 2021-11-15 |
公开(公告)号: | CN114297460A | 公开(公告)日: | 2022-04-08 |
发明(设计)人: | 朱遥文;黄伟聪 | 申请(专利权)人: | 北京众标智能科技有限公司 |
主分类号: | G06F16/951 | 分类号: | G06F16/951;G06F16/955 |
代理公司: | 北京清大紫荆知识产权代理有限公司 11718 | 代理人: | 秦亚群;冯振华 |
地址: | 100084 北京市海淀区中*** | 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: | 本发明提供了一种分布式动态可配置的爬虫平台及爬虫方法,用于从海量站点内定向抓取数据,包括用户输入爬虫需求,依据爬虫需求形成爬虫抓取规则;解析爬虫抓取规则形成爬虫任务,解析爬虫调度配置形成爬虫任务调度;根据爬虫任务对爬虫平台内多个爬虫子模块排序,选择排序最高的爬虫子模块作为最优爬虫运行节点;启动并执行爬虫任务,分别抓取m个目标站点的n个指定页面,解析指定页面URL并去重处理后加入待爬列队,直至m个目标站点中n个指定页面全部被抓取;对待爬列队中指定页面的结构化数据相似度检测,去重处理以降低冗余度,形成并保存爬虫结果。爬虫方法能够从海量站点内定向抓取数据,以快速高效的获取用户所需数据。 | ||
搜索关键词: | 一种 分布式 动态 配置 爬虫 平台 方法 | ||
【主权项】:
暂无信息
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众标智能科技有限公司,未经北京众标智能科技有限公司许可,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/patent/202111348896.9/,转载请声明来源钻瓜专利网。