[发明专利]一种基于分布式存储的爬虫爬取数据统计方法及系统在审
| 申请号： | 202011624214.8 | 申请日： | 2020-12-31 |
| 公开（公告）号： | CN112528121A | 公开（公告）日： | 2021-03-19 |
| 发明（设计）人： | 王宇飞;安宝;黎荣华;李毅仁;郑士良;张杰祥;冯兴;米腾 | 申请（专利权）人： | 河钢数字技术股份有限公司 |
| 主分类号： | G06F16/951 | 分类号： | G06F16/951;G06F16/172;G06F16/182;G06F16/2458;G06F16/27;G06F40/279 |
| 代理公司： | 石家庄知住优创知识产权代理事务所(普通合伙) 13131 | 代理人： | 林艳艳 |
| 地址： | 053400 河北省*** | 国省代码： | 河北;13 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于分布式存储的爬虫爬取数据统计方法及系统，方法包括以下步骤：步骤1：将利用爬虫程序从网页中抓取的文件临时存储入Kafka中；步骤2：对Kafka中临时存储的爬虫抓取文件进行文件类型和文件大小的统计，并将统计结果存储入Redis中；步骤3：将统计完类型和大小的爬虫爬取文件上传到FastDFS中，并记录FastDFS返回的每一条文件的存储路径；步骤4：对FastDFS中存储的爬虫爬取文件根据文件类型对文件进行分词，并将分词后的结构化数据存入ElasticSearch中。本发明能够对爬虫爬取的不同文件类型进行类型和大小统计，最终的结构化数据存放在Elasticsearch中，方便日后的检索和查阅或是进一步的数据挖掘。 | ||
| 搜索关键词： | 一种 基于 分布式 存储 爬虫 数据 统计 方法 系统 | ||
【主权项】：
暂无信息
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河钢数字技术股份有限公司，未经河钢数字技术股份有限公司许可，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/202011624214.8/，转载请声明来源钻瓜专利网。
