[发明专利]基于网络爬虫的公司座机号码清洗方法及系统

权利要求书

1.一种基于网络爬虫的公司座机号码清洗方法，其特征在于，包括以下步骤：

a.通过爬虫获取预设范围的国家或城市或地区的区号，以所述城市或地区为键、国内区号为值，建立国内区号映射表；和/或，以所述国家为键、国际区号为值，建立国际区号映射表；

b.通过爬虫获取所需公司的联系数据，所述联系数据包括：公司名称或公司地址、公司座机号码；

c.判断所述公司座机号码是否包含国际区号和/或国内区号，若是，则结束；若否，则得到不完整座机号码；

d.根据所述不完整座机号码的对应公司的公司名称或公司地址，获取所述对应公司的经纬度信息，并根据所述经纬度信息获取所述对应公司归属的国家或城市或地区；

e.根据所述国内区号映射表和/或所述国际区号映射表进行查找所述对应公司的国际区号和/或国内区号；

f.将所述国际区号和/或国内区号添加至所述不完整座机号码中。

2.根据权利要求1所述的一种基于网络爬虫的公司座机号码清洗方法，其特征在于：所述的步骤a中，进一步将所述国内区号映射表和所述国际区号映射表合并为通用区号映射表，所述通用区号映射表以国家和城市/地区为键、国际区号和国内区号为值。

3.根据权利要求1所述的一种基于网络爬虫的公司座机号码清洗方法，其特征在于：所述的步骤b中，所述联系数据还包括：移动电话号码、联系人、公司网站中的一个以上；并可根据所述移动电话号码或者所述联系人或者所述公司网站对所述公司座机号码进行验证。

4.根据权利要求1或2或3所述的一种基于网络爬虫的公司座机号码清洗方法，其特征在于：所述的步骤c中，判断所述公司座机号码是否包含国际区号和/或国内区号，进一步包括：

c1.将所述公司座机号码逐字切分，并通过正则表达式提取出数字，将所述数字重新拼接成字符串；

c2.判断所述字符串是否包含国际区号，若否，则将所述公司座机号码判定为不完整座机号码；和/或，

c3.判断所述字符串是否包含国内区号，若否，则将所述公司座机号码判定为不完整座机号码。

5.根据权利要求4所述的一种基于网络爬虫的公司座机号码清洗方法，其特征在于：

所述的步骤c2中，是通过提取所述字符串的前两位数字进行判断该两位数字是否为国际区号，若否，则将所述公司座机号码判定为不完整座机号码；

所述的步骤c3中，若所述字符串的前两位数字是国际区号，则进一步判断该两位数字后面的三位数字或四位数字是否为国内区号，若否，则将所述公司座机号码判定为不完整座机号码；

所述的步骤c3中，若所述字符串的前两位数字不是国际区号，则进一步判断所述字符串的前三位数字或前四位数字是否为国内区号，若否，则将所述公司座机号码判定为不完整座机号码。

6.根据权利要求4所述的一种基于网络爬虫的公司座机号码清洗方法，其特征在于：还进一步根据重新拼接的字符串的长度对所述公司座机号码的有效性进行验证；若所述字符串包含国际区号，则根据去除所述国际区号后的字符串的长度对所述公司座机号码的有效性进行验证；和/或，若所述字符串包括国内区号，则根据去除所述国内区号后的字符串的长度对所述公司座机号码的有效性进行验证；若所述公司座机号码为有效号码，则执行步骤d、e、f；若所述公司座机号码为无效号码，则将该号码进行过滤清洗。

7.根据权利要求1所述的一种基于网络爬虫的公司座机号码清洗方法，其特征在于：所述的步骤d中进一步包括：

d1.根据所述公司名称或所述公司地址，利用正向地理编码获取所述不完整座机号码的对应公司的经纬度信息；

d2.根据所述经纬度信息，利用逆向地理编码获取所述经纬度信息对应的国家或城市或地区。

8.一种基于网络爬虫的公司座机号码清洗系统，其特征在于，包括：

爬虫模块，用于获取预设范围的国家或城市或地区的区号，以及获取所需公司的联系数据，所述联系数据包括：公司名称或公司地址、公司座机号码；

映射模块，其以所述城市或地区为键、国内区号为值，建立国内区号映射表；和/或，以所述国家为键、国际区号为值，建立国际区号映射表；

座机号码清洗模块，其通过判断所述公司座机号码是否包含国际区号和/或国内区号，若是，则结束；若否，则得到不完整座机号码；

定位模块，其根据所述不完整座机号码的对应公司的公司名称或公司地址，获取所述对应公司的经纬度信息，并根据所述经纬度信息获取所述对应公司归属的国家或城市或地区；

座机号码完善模块，其通过所述映射表模块的所述国内区号映射表和/或所述国际区号映射表进行查找所述对应公司的国际区号和/或国内区号，并将所述国际区号和/或国内区号添加至所述不完整座机号码中。