[发明专利]基于多语言高效数据采集方法、计算机程序

摘要

本发明属于计算机软件技术领域，公开了一种基于多语言高效数据采集方法、计算机程序，包括：关键字录入；识别输入语言类型，对文本多语言翻译；对多语言关键字分发；根据各子系统特定性能获取调度服务器任务，调用相关引擎进行业务爬取；网页分成新闻内容页，新闻列表页，过滤无效信息；新闻页面直接对链接获取新闻信息；新闻列表页，启用二级爬虫子系统递归，页面二次分析，获取新闻列表页，获取新闻页面，获取新闻；获取新闻内容去重；合法数据的数据结构化存储。本发明通过搜索引擎实现快速新闻采集功能，实现系统多语言自动采集；快速去重；实现快速负载均衡，并支持动态加载移除采集引擎；降低ip消耗，提高采集效率。

主权项

一种基于多语言高效数据采集方法，其特征在于，所述基于多语言高效数据采集方法包括：(1)关键字录入；(2)识别输入语言类型，对文本多语言翻译；(3)对多语言关键字分发；(4)根据各子系统特定性能获取调度服务器任务，调用相关引擎进行业务爬取；(5)网页分成新闻内容页，新闻列表页，过滤无效信息；(6)新闻页面直接对链接获取新闻信息；(7)新闻列表页，启用二级爬虫子系统递归，页面二次分析，获取新闻列表页，获取新闻页面，获取新闻；(8)获取新闻内容去重；(9)合法数据的数据结构化存储。