CN102982162B - 网页信息的获取系统 - Google Patents

Abstract

本发明公开了一种网页信息的获取系统，其包括网页信息的获取装置及站点服务器，其中，所述网页信息的获取装置包括：网页抓取器，适于从站点服务器处抓取网页；页面信息解析器，适于根据预先设定的页面抽取规则，从所述网页的指定位置抽取指定页面信息；动作处理器，适于将所述指定页面信息进行结构化存储。根据本发明提供的网页信息的获取系统，在从站点服务器处抓取到网页之后，并不是直接存储整个网页的信息，而是根据页面抽取规则从网页的指定位置抽取指定页面信息，将该指定页面信息进行结构化存储。其中页面抽取规则可根据用户的需求而定制，通过对网页的信息做解析，满足了定制化抽取网页信息的需求。

Description

网页信息的获取系统

技术领域

本发明涉及计算机网络技术领域，具体涉及一种网页信息的获取系统。

背景技术

网络爬虫（又被称为网页蜘蛛、网络机器人，在一些社区中，更经常的被称为网页追逐者）是一种自动获取网页内容的程序或脚本，它是搜索引擎的重要组成部分，搜索引擎的优化在很大程度上就是针对网络爬虫而做出的优化。

网络爬虫一般分为传统爬虫和聚焦爬虫。传统爬虫从一个或若干初始网页的URL（Uniform/UniversalResourceLocator，统一资源定位符）开始，获得初始网页的URL；在抓取网页的过程中，不断从当前页面上抽取新的网页的URL放入队列，直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列；然后，根据一定的搜索策略从队列中选择下一步要抓取的网页的URL，重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存储，进行一定的分析和过滤，并建立索引，以便之后的查询和检索。

上述两种网络爬虫都是获取整个网页的信息，然后直接存储。这类爬虫不会对网页的信息做解析，无法满足定制化抽取网页信息的需求。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的网页信息的获取系统。

根据本发明，提供了一种网页信息的获取系统，其包括：网页信息的获取装置和站点服务器，其中，所述网页信息的获取装置包括：

网页抓取器，适于从站点服务器处抓取网页；

页面信息解析器，适于根据预先设定的页面抽取规则，从所述网页的指定位置抽取指定页面信息；

动作处理器，适于将所述指定页面信息进行结构化存储。

根据本发明提供的网页信息的获取系统，在从站点服务器处抓取到网页之后，并不是直接存储整个网页的信息，而是根据页面抽取规则从网页的指定位置抽取指定页面信息，将该指定页面信息进行结构化存储。其中页面抽取规则可根据用户的需求而定制，通过对网页的信息做解析，满足了定制化抽取网页信息的需求。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的网页信息的获取方法的流程图；

图2示出了根据本发明一个实施例的网页信息的获取装置的结构框图；以及

图3示出了根据本发明一个实施例的网页信息的获取系统的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的网页信息的获取方法100的流程图。如图1所示，方法100始于步骤S101，步骤S101为抓取步骤，具体为从站点服务器处抓取网页。爬虫系统从站点服务器处抓取网页可以具体采用以下三种方法：1）从站点服务器处直接下载网页，针对没有防抓取策略的站点可以采用这种方法。2）通过浏览器渲染方法从站点服务器处下载网页；由于有些站点使用了ajax（AsynchronousJavaScriptandXML，异步JavaScript和可扩展标记语言）技术，需要利用浏览器渲染的方法得到完整的页面结构。爬虫系统配备了几种内核的渲染模块，例如IE内核、Gecko（火狐）内核、Chrome内核等。3）为了防止爬虫系统频繁访问某个站点服务器导致被该站点服务器封IP的情况，爬虫系统可以通过代理服务器从站点服务器处下载网页，采用代理服务器下载网页可以确保抓取的及时性和不间断性。以上三种方法基本可以解决各种类型的站点的抓取问题。

随后，方法100进入步骤S102，步骤S102为页面信息解析步骤，具体为根据预先设定的页面抽取规则，从网页的指定位置抽取指定页面信息。爬虫系统分析每个网页的页面结构，根据页面抽取规则抽取指定页面信息。其中页面抽取规则是定制的，可由人工配置。可选地，页面抽取规则设定了指定位置的前后的HTML标签。由于页面中的有效信息都在HTML标签中，指定位置一般也都是HTML标签，指定位置是由其前后的HTML标签所界定，该指定位置的HTML标签就是要抽取的指定页面信息。例如，对于来自某个站点服务器的网页，如果想要抽取该网页中的“游戏名称”字段，那么所定制的页面抽取规则应包括该字段前后的HTML标签<div>。爬虫系统分析该网页时，从中抽取出两个HTML标签<div>之间的信息，即“游戏名称”。

对于下载文件（例如软件包）链接网页，从中抽取的指定页面信息通常包括下载文件链接，可选的，还包括该网页的父页面链接，将这些链接信息抽取出来以供后续根据该链接信息下载相应的下载文件。父页面链接用于溯源，在下载相应的下载文件的同时还能够查到该下载文件的来源，包括父页面或站点等等，便于后续对数据的维护以及提供相应的查询功能。

进一步的，爬虫系统从站点服务器处抓取网页可以采用两种方式：全量爬取方式和增量爬取方式。采用全量爬取方式还是增量爬取方式是根据需求而定的。例如：对于一个新的游戏站点服务器，会收录很多新的游戏，这时需要将该站点服务器的网页全部遍历，即全量爬取，抓取所有游戏，后续再做统一处理（即页面信息解析和存储处理）。在该游戏站点服务器的游戏全部抓取完毕之后，该站点服务器每天还会更新游戏，这时需要采用增量爬取方式，抓取其每天更新的游戏。

针对全量爬取方式的站点服务器进行一次性任务投递，即一次性的抓取来自该站点服务器的网页。首先通知任务调度器所要抓取的站点服务器的名称，任务调度器会自行查询该站点服务器的抓取规则，然后即可完成全量爬取。任务调度器将抓取任务投递给具体工作进程，所执行的抓取任务可以包括：首先，从站点服务器处抓取初始网页。解析该初始网页，获取初始网页链接的新的网页的网址。根据新的网页的网址从站点服务器处抓取该新的网页。通常一个站点服务器从初始页面开始递归，会有十多层甚至更多，任务调度器从初始页面开始抓取，根据网页中的链接递归抓取更深层的网页，即：接着执行全量递归子步骤，具体为解析新的网页，再获取新的网页链接的新的网页的网址，从站点服务器处抓取再获取的新的网页；重复执行该全量递归子步骤，直至满足停止抓取条件。通常而言，爬虫系统一般需要抓取前几层的网页即可满足需求，所以爬虫系统可以设置单个站点服务器的递归层数，递归抓取到该站点服务器的设定递归层数就满足停止抓取条件。在全量爬取到来自某站点服务器的网页后，对这些网页做统一处理，包括根据预先设定的页面抽取规则，从上述抓取的初始网页和所有新的网页的指定位置抽取指定页面信息。

针对增量爬取方式的站点服务器进行周期性任务调度，即按照爬虫系统为站点服务器设定的调度周期抓取来自该站点服务器的网页。爬虫系统为每个站点服务器设定的调度周期可以不同，有的是1小时，有的是3小时，视站点服务器的更新速度而定。爬虫系统将需要增量爬取的站点服务器按照调度周期排序形成调度队列，每隔预设时间（例如10分钟）对该调度队列进行检测，调度时间大于当前时间的站点服务器视为待抓取的站点服务器。随后任务调度器将抓取任务投递给具体工作进程。在具体的工作进程中，所执行的步骤可以包括：首先，从站点服务器处抓取初始网页。根据预先设定的页面抽取规则，从初始网页的指定位置抽取指定页面信息。解析初始网页，获取初始网页链接的新的网页的网址。根据新的网页的网址，从站点服务器处抓取新的网页。根据预先设定的页面抽取规则，从新的网页的指定位置抽取指定页面信息。增量递归子步骤，解析新的网页，再获取新的网页链接的新的网页的网址；从站点服务器处抓取再获取的新的网页；根据预先设定的页面抽取规则，从再获取的新的网页的指定位置抽取指定页面信息；重复执行该增量递归子步骤，直至满足停止抓取条件。爬虫系统可以设置单个站点服务器的递归层数，递归抓取到该站点服务器的设定递归层数就满足停止抓取条件。与全量爬取方式不同之处主要在于，增量爬取方式是边抓取网页边进行解析；而且，增量递归子步骤是当爬虫系统为站点服务器设定的调度周期规定的时间到达时而执行的。

可选地，本方法中，任务调度器将抓取任务通过gearman传递给下游的工作进程处理。本方法使用gearman作为进程间消息队列，通过gearman进行进程通讯来实现平行扩展和高并发的处理。上述以时间为调度单位的网页都以有序集合的方式存放在redis中，通过调用redis接口实现精确调度网页监控任务。redis是一个key-value类型的内存数据库，整个数据库统统加载在内存当中进行操作，定期通过异步操作把数据库数据输出（flush）到硬盘上进行保存。因为是纯内存操作，redis的性能非常出色，每秒可以处理超过10万次读写操作，从而提高了爬虫系统的性能。

在步骤S102之后，方法100进入步骤S103的存储步骤，具体为将指定页面信息进行结构化存储。所谓结构化存储是指存储指定页面信息并对指定页面信息进行结构化描述，例如：对“游戏名称”信息的结构化描述就是游戏名称，对“下载文件链接”信息的结构化描述就是下载文件链接。可选地，可以使用XML（extensiblemarkuplanguage，可扩展标记语言）进行结构化存储，即将各项指定页面信息存储至XML节点中，这样便于后续模块的处理，同时也简化了系统结构。通过进行结构化存储，使用者可以精确地获知爬虫系统所爬取到的信息。

可选地，在步骤S103之后，方法100进入步骤S104，其中根据指定页面信息，从站点服务器处下载网页的相关资源，进一步存储网页的相关资源以及网页的相关资源与指定页面信息的对应关系。以指定页面信息为软件包链接为例，根据软件包链接可从站点服务器处下载该软件包，进一步存储该软件包以及软件包与软件包链接的对应关系。通过该方法，爬虫系统可以爬取网页上能看到的任何信息以及下载文件，例如：软件包以及软件包的相关信息，如软件名称、更新时间、软件大小、软件作者、使用平台和软件描述等，还可以爬取门户站点的新闻、图片等资源。

可选地，根据事先定制的策略，爬虫系统还可以对抓取的信息和下载的资源做相应处理，如发邮件、推送分布式存储等。对于一些只要下载网页内容的站点服务器，例如门户、新闻站点等，只需要抓取所需信息，将抓取的信息推送到指定接口，再邮件通知特定人员。对于一些软件包站点服务器，需要获得软件包及其相关信息，在抓取到必要的信息后，再进行后续的下载和解包，通常软件包很大，需要推送至分布式存储。

根据本实施例提供的网页信息的获取方法，在从站点服务器处抓取到网页之后，并不是直接存储整个网页的信息，而是根据页面抽取规则从网页的指定位置抽取指定页面信息，将该指定页面信息进行结构化存储。其中页面抽取规则可根据用户的需求而定制，通过对网页的信息做解析，满足了定制化抽取网页信息的需求。以爬取某游戏站点的网页信息为例，通过该方法可以直接得到该游戏站点中所有游戏的下载链接，并且将这些下载链接进行结构化存储，使用者可以精确地获知爬虫系统所爬取到的信息。

图2示出了根据本发明一个实施例的网页信息的获取装置的结构框图。如图2所示，该网页信息获取装置200包括：网页抓取器210、页面信息解析器220和动作处理器230。可选地，网页信息获取装置200还可以包括：网页链接解析器240、下载器250和任务调度器260。

网页抓取器210适于从站点服务器处抓取网页。可选地，网页抓取器210适于从站点服务器处直接下载网页；或者，通过浏览器渲染方法从站点服务器处下载网页；或者，通过代理服务器从站点服务器处下载网页。网页抓取器210包括初级网页抓取器211和网页递归抓取器212。初级网页抓取器211适于从站点服务器处抓取初始网页，网页链接解析器240适于解析初始网页，获取初始网页链接的新的网页的网址，网页递归抓取器212适于从站点服务器处抓取新的网页。网页链接解析器240还适于解析新的网页，再获取新的网页链接的新的网页的网址；网页递归抓取器212还适于从站点服务器处抓取再获取的新的网页；网页链接解析器240和网页递归抓取器212重复工作，直至满足停止抓取条件。

页面信息解析器220适于根据预先设定的页面抽取规则，从网页的指定位置抽取指定页面信息。可选地，页面抽取规则设定了指定位置的前后的HTML标签；页面信息解析器220进一步适于从网页中抽取指定位置的前后的HTML标签之间的指定页面信息。进一步的，页面信息解析器220适于根据预先设定的页面抽取规则，从初始网页和新的网页的指定位置抽取指定页面信息。

动作处理器230适于将指定页面信息进行结构化存储。所谓结构化存储是指存储指定页面信息并对指定页面信息进行结构化描述，通过进行结构化存储，使用者可以精确地获知爬虫系统所爬取到的信息。

下载器250适于根据指定页面信息，从站点服务器处下载网页的相关资源。动作处理器230进一步适于存储网页的相关资源以及网页的相关资源与指定页面信息的对应关系。

任务调度器260适于根据分布式的调用方法（如gearman）将相应的任务投递给网页抓取器210。任务调取器260和网页抓取器210可以采用全量爬取方式或增量爬取方式进行网页的抓取，具体过程可参见方法实施例的描述。

该网页信息获取装置200还可以包括缓存数据库，例如redis，适于以有序集合的方式存放以时间为调度单位的网页，通过调用redis接口实现精确调度网页监控任务。

图3示出了根据本发明一个实施例的网页信息的获取系统的结构框图。如图3所示，该网页信息的获取系统包括网页信息获取装置200和站点服务器100，网页信息获取装置200的具体结构可参见上述实施例的相关描述。网页信息获取装置200从站点服务器100处获取网页和网页的相关资源。

根据本发明提供的网页信息的获取系统，网页信息的获取系统在从站点服务器处抓取到网页之后，并不是直接存储整个网页的信息，而是根据页面抽取规则从网页的指定位置抽取指定页面信息，将该指定页面信息进行结构化存储。其中页面抽取规则可根据用户的需求而定制，通过对网页的信息做解析，满足了定制化抽取网页信息的需求。以爬取某游戏站点的网页信息为例，通过该装置可以直接得到该游戏站点中所有游戏的下载链接，并且将这些下载链接进行结构化存储，使用者可以精确地获知爬虫系统所爬取到的信息。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的网页信息的获取系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (6)

1.一种网页信息的获取系统，包括：网页信息的获取装置及站点服务器，其中，

所述网页信息的获取装置包括：

网页抓取器，适于从站点服务器处抓取网页；

页面信息解析器，适于根据预先设定的页面抽取规则，从所述网页的指定位置抽取指定页面信息；

动作处理器，适于将所述指定页面信息进行结构化存储；

其中，所述页面抽取规则设定了所述指定位置的前后的HTML标签；所述页面信息解析器进一步适于从所述网页中抽取所述指定位置的前后的HTML标签之间的指定页面信息；所述指定页面信息包括下载文件链接和所述网页的父页面链接。

2.根据权利要求1所述的系统，其中，所述网页信息的获取装置还包括：网页链接解析器；

所述网页抓取器包括初级网页抓取器和网页递归抓取器；

所述初级网页抓取器适于从站点服务器处抓取初始网页，所述网页链接解析器适于解析所述初始网页，获取所述初始网页链接的新的网页的网址；所述网页递归抓取器适于从站点服务器处抓取所述新的网页；

所述网页链接解析器还适于解析所述新的网页，再获取所述新的网页链接的新的网页的网址；所述网页递归抓取器还适于从站点服务器处抓取再获取的新的网页；所述网页链接解析器和所述网页递归抓取器重复工作，直至满足停止抓取条件。

3.根据权利要求2所述的系统，所述页面信息解析器具体适于根据预先设定的页面抽取规则，从所述初始网页和所述新的网页的指定位置抽取指定页面信息。

4.根据权利要求1至3任一项所述的系统，所述网页抓取器进一步适于从站点服务器处直接下载网页；或者，通过浏览器渲染方法从站点服务器处下载网页；或者，通过代理服务器从站点服务器处下载网页。

5.根据权利要求1至3任一项所述的系统，其中，所述网页信息的获取装置还包括：

下载器，适于根据所述指定页面信息，从所述站点服务器处下载所述网页的相关资源；

所述动作处理器进一步适于存储所述网页的相关资源以及所述网页的相关资源与所述指定页面信息的对应关系。

6.根据权利要求1至3任一项所述的系统，其中，所述网页信息的获取装置还包括：任务调度器；

所述任务调度器适于根据分布式的调用方法将相应的任务投递给所述网页抓取器。