[发明专利]一种主题网络爬虫方法、电子设备、存储介质、系统有效
| 申请号： | 201711071026.5 | 申请日： | 2017-11-03 |
| 公开（公告）号： | CN107908698B | 公开（公告）日： | 2021-04-13 |
| 发明（设计）人： | 石忠民;徐叶强;钟力;殷长涛 | 申请（专利权）人： | 广州索答信息科技有限公司 |
| 主分类号： | G06F16/951 | 分类号： | G06F16/951;G06F16/955;G06F16/35;G06F40/289;G06F40/30 |
| 代理公司： | 广州市越秀区哲力专利商标事务所(普通合伙) 44288 | 代理人： | 莫之特;罗峰 |
| 地址： | 510000 广东省广州市高新技术*** | 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： | 本发明提供一种主题网络爬虫方法，包括步骤获取主题爬虫的起始URL，将起始URL加载入种子任务队列，主题爬虫从任务队列中依次获取起始URL进行爬取，将起始URL对应的网络文档下载至本地，对网络文档进行主题相关性分类，获得主题相关文本，将主题相关文本结构化存储至数据仓库；本发明涉及电子设备与可读存储介质，用于执行一种主题网络爬虫方法；本发明还涉及一种主题网络爬虫系统；本发明通过采用word2vec的CBOW模型获得文本分词结果的词向量，采用PCA主成分分析算法对词向量进行降维，采用LSTM模型对降维的词向量进行分类，通过对爬取文档先进行分类，然后针对特定主题有选择性的对文档进行存储，提高主题与爬取文档的相关程度，增加搜索引擎覆盖率。 | ||
| 搜索关键词： | 一种 主题 网络 爬虫 方法 电子设备 存储 介质 系统 | ||
【主权项】：
一种主题网络爬虫方法，其特征在于包括以下步骤：初始化主题爬虫，获取主题爬虫的起始URL，将所述起始URL加载入种子任务队列；文档内容爬取，所述主题爬虫从任务队列中依次获取所述起始URL进行爬取，将所述起始URL对应的网络文档下载至本地；文本分类，对所述网络文档进行主题相关性分类，获得主题相关文本；文本存储，将所述主题相关文本结构化存储至数据仓库。
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广州索答信息科技有限公司，未经广州索答信息科技有限公司许可，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/201711071026.5/，转载请声明来源钻瓜专利网。
