[发明专利]对网页抓取进行优化的方法和装置有效
| 申请号： | 201310289030.4 | 申请日： | 2013-07-10 |
| 公开（公告）号： | CN103399872A | 公开（公告）日： | 2013-11-20 |
| 发明（设计）人： | 刘晓辉 | 申请（专利权）人： | 北京奇虎科技有限公司;奇智软件（北京）有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京市隆安律师事务所 11323 | 代理人： | 权鲜枝;董垚 |
| 地址： | 100088 北京市西城区新*** | 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： | 本发明涉及网络数据通信技术领域，公开了对网页抓取进行优化的方法和装置，装置包括：网页抓取器，适于抓取URL对应的网页，并将抓取到的网页存储；网页数据库，适于存储抓取到的网页；内容对比器，适于对网页的页面中内容进行比较，查找出页面内容相同的重复网页；归一化规则生成器，适于将重复网页的URL进行比较，生成用于将重复网页URL转换为同一URL的归一化规则；归一化规则库，适于将归一化规则组成归一化规则库并保存；所述网页抓取器，进一步适于应用归一化规则库中归一化规则对待抓取网页的URL进行归一化，利用归一化后的URL进行网页抓取。本发明解决了无法避免抓取URL不同而网页内容相同的重复网页的技术问题。 | ||
| 搜索关键词： | 网页 抓取 进行 优化 方法 装置 | ||
【主权项】：
一种对网页抓取进行优化的装置，包括：网页抓取器，适于抓取统一资源定位符URL对应的网页，并将抓取到的网页存储到网页数据库；网页数据库，适于存储所述抓取到的网页；内容对比器，适于对抓取的网页的页面中内容进行比较，查找出页面内容相同的重复网页；归一化规则生成器，适于将所述重复网页的URL进行比较，生成用于将重复网页URL转换为同一URL的归一化规则；归一化规则库，适于将生成的归一化规则组成归一化规则库并保存；所述网页抓取器，进一步适于应用归一化规则库中归一化规则对待抓取网页的URL进行归一化，利用归一化后的URL进行网页抓取。
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奇虎科技有限公司;奇智软件（北京）有限公司，未经北京奇虎科技有限公司;奇智软件（北京）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/201310289030.4/，转载请声明来源钻瓜专利网。
- 上一篇：推导运动向量预测子的方法与装置
- 下一篇：一种数据通信方法及系统
