[发明专利]一种基于异步aiohttp多平台分布式数据爬取方法在审

专利信息
申请号: 202110029155.8 申请日: 2021-01-11
公开(公告)号: CN112732996A 公开(公告)日: 2021-04-30
发明(设计)人: 廖杰;李林渡;张衍彬 申请(专利权)人: 深圳市洪堡智慧餐饮科技有限公司
主分类号: G06F16/951 分类号: G06F16/951;G06F16/955;G06F16/27
代理公司: 深圳市深联知识产权代理事务所(普通合伙) 44357 代理人: 张琪
地址: 518000 广东省深圳市福田区梅*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 异步 aiohttp 平台 分布式 数据 方法
【说明书】:

发明涉及数据爬取技术领域,具体为一种基于异步aiohttp多平台分布式数据爬取方法,该方法的步骤如下:步骤一、服务中心分发url任务到客户端;步骤二、客户端从配置中心读取配置;步骤三、多个客户端对多个url任务进行下载内容;步骤四、对下载的内容进行解析并清洗存入数据库;步骤五、利用日志中心收集日志;步骤六、打开监控中心查看资源情况、查看结果。本发明通过任务多平台分发利用kafka发布‑订阅消息传递模式,只有订阅了topic的订阅者才会收到消息,这样可以把多平台进行区分,任务去重原理利用redis的set集合特性自带去重功能;本发明利用async异步特性进行发送请求,网络io不会造成阻塞,实现高并发,高可用,通过上述方式可有效提高数据爬取速度。

技术领域

本发明涉及数据爬取技术领域,具体为一种基于异步aiohttp多平台分布式数据爬取方法。

背景技术

金融、通讯、餐饮、电商、房地产等行业存在已有时日,行业应用所产生的数据呈爆炸性增长,人们越来越意识到数据对企业的重要性。如果我们有多个平台数据待爬取,只用一个线程且采用串行的方式执行,那只能等待爬取一个结束后才能继续下一个,效率会非常低,不能及时提供数据源,会产生速度问题、质量问题,如果实行多台机器进行爬取,后面会出现维护困难、管理效率低。满足不了业务需求。鉴于此,我们提出一种基于异步aiohttp多平台分布式数据爬取方法。

发明内容

本发明的目的在于提供一种基于异步aiohttp多平台分布式数据爬取方法,以解决上述背景技术中提出的问题。

为实现上述目的,本发明提供如下技术方案:

一种基于异步aiohttp多平台分布式数据爬取方法,该方法的步骤如下:

步骤一、服务中心分发url任务到客户端;

步骤二、客户端从配置中心读取配置;

步骤三、多个客户端对多个url任务进行下载内容;

步骤四、对下载的内容进行解析并清洗存入数据库;

步骤五、利用日志中心收集日志;

步骤六、打开监控中心查看资源情况、查看结果。

作为本发明优选的技术方案,步骤一中的url任务分发具体操作:创建消息主题,并对多平台划分多个主题,施行任务多平台分发,对单个平台url任务进行去重,对不同的主题进行发送url任务。

作为本发明优选的技术方案,步骤二中的读取配置功能包括:客户端代理、失败重试、自定义请求信息、同步、异步运行模式选择、超时控制、请求时间、任务白名单、客户端中间件、数据库类型选择、性能设置、请求类型。

作为本发明优选的技术方案,步骤三中的下载内容具体操作为:利用aiohttp库对url任务发送请求,接收返回的数据。

作为本发明优选的技术方案,步骤四中的数据清洗具体操作:对返回的数据进行解析,对不用类型的内容用用不用的库去解析,对json格式数据用json库解析,对html格式用xpath库解析,对其他文本用re正则库进行提取,图片、视频字节流用二进制进行保存,对清洗完的数据存入数据库。

作为本发明优选的技术方案,步骤五中的日志收集具体操作为:利用logging模块对客户端不同的日志级别,如DEBUG、INFO、WARNING、ERROR、CRITICAL五种级别,使用不同的方式记录日志,如使用文件记录日志信息,采用HTTP GET/POST,SMTP,Socket方式记录,文件格式一般为.log文件。

作为本发明优选的技术方案,步骤六中的监控包括:客户端资源的可用性,它会记录服务器问题并在停机的时候通知,分析服务器资源趋势、系统活动,数据爬取入库的数据量情况,客户端日志记录情况,提供WEB界面对客户端设置,查看结果。

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深圳市洪堡智慧餐饮科技有限公司,未经深圳市洪堡智慧餐饮科技有限公司许可,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/pat/books/202110029155.8/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top