[发明专利]一种自适应网络爬虫系统及其数据获取方法有效
| 申请号： | 201710846722.2 | 申请日： | 2017-09-19 |
| 公开（公告）号： | CN107861974B | 公开（公告）日： | 2018-12-25 |
| 发明（设计）人： | 李铮;房留凯;胡玲;吕光增;徐明辉;曹希凤;蓝春倩;苏鹏程;马瑞刚;姚宁;柳超 | 申请（专利权）人： | 北京金堤科技有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京路浩知识产权代理有限公司 11002 | 代理人： | 王莹;李相雨 |
| 地址： | 100086 北京市海淀*** | 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： | 本发明公开一种自适应网络爬虫系统及其数据获取方法，其中，方法包括：在目标网站进行改版前提取目标网站中目标网页信息部分的关键词及关键词周围的关键标签格式并基于该关键词形成第一数据集合；在无法提取目标网页中的数据时确定目标网站已进行改版，基于所述关键标签格式，根据当前目标网页URL链接，抓取当前目标网页预设深度的所有页面，形成第二数据集合；判断第一数据集合与第二数据集合的信息是否相似；若是则在当前目标网页中搜索目标关键词下的内容标签区域，获得所需内容数据，该目标关键词为第二数据集合中与第一数据集合中关键词相同或相似的元素。可在网站改版后自动适应改版后网站的DOM结构，获取改版后网站中目标网页内的数据。 | ||
| 搜索关键词： | 一种 自适应 网络 爬虫 系统 及其 数据 获取 方法 | ||
【主权项】：
1.一种自适应网络爬虫系统的数据获取方法，其特征在于，包括：在目标网站进行改版前，提取所述目标网站中的目标网页信息部分的关键词以及关键词周围的关键标签格式，并基于所提取的关键词，形成第一数据集合；在无法对所述目标网页进行数据提取时，确定所述目标网站已进行改版，并根据当前所述目标网页的统一资源定位符URL链接，在当前目标网页预设深度的所有页面中，查找与所述关键标签格式相同或者相似的标签格式，提取出所查找到的标签格式中所有标签中的文字内容，形成第二数据集合；判断所述第一数据集合与所述第二数据集合的信息是否相似；若判断获知所述第一数据集合与所述第二数据集合的信息相似，则在当前目标网页中搜索目标关键词下的内容标签区域，以获得所需内容数据，其中，所述目标关键词为所述第二数据集合中与所述第一数据集合中的关键词相同或相似的元素。
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金堤科技有限公司，未经北京金堤科技有限公司许可，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/201710846722.2/，转载请声明来源钻瓜专利网。
- 上一篇：角度成型折弯机
- 下一篇：室内全景数据的采集方法及装置、设备与计算机可读介质
