CN103399872B - 对网页抓取进行优化的方法和装置 - Google Patents
对网页抓取进行优化的方法和装置 Download PDFInfo
- Publication number
- CN103399872B CN103399872B CN201310289030.4A CN201310289030A CN103399872B CN 103399872 B CN103399872 B CN 103399872B CN 201310289030 A CN201310289030 A CN 201310289030A CN 103399872 B CN103399872 B CN 103399872B
- Authority
- CN
- China
- Prior art keywords
- url
- webpage
- normalization
- normalization rule
- pages
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010606 normalization Methods 0.000 claims abstract description 178
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 238000004321 preservation Methods 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及网络数据通信技术领域,公开了对网页抓取进行优化的方法和装置,装置包括:网页抓取器,适于抓取URL对应的网页,并将抓取到的网页存储;网页数据库,适于存储抓取到的网页;内容对比器,适于对网页的页面中内容进行比较,查找出页面内容相同的重复网页;归一化规则生成器,适于将重复网页的URL进行比较,生成用于将重复网页URL转换为同一URL的归一化规则;归一化规则库,适于将归一化规则组成归一化规则库并保存;所述网页抓取器,进一步适于应用归一化规则库中归一化规则对待抓取网页的URL进行归一化,利用归一化后的URL进行网页抓取。本发明解决了无法避免抓取URL不同而网页内容相同的重复网页的技术问题。
Description
技术领域
本发明涉及网络数据通信技术领域,具体涉及一种对网页抓取进行优化的方法和装置。
背景技术
随着互联网的发展,互联网中信息在急剧增长,近年来互联网中网页数量的年增长率都接近100%,即网页数量的年增长数量在百亿级。因此,用户需要通过搜索引擎来从网络中查找有用信息。
搜索引擎能够对互联网上的网页进行抓取、索引和存储,并根据用户的搜索返回与搜索条件相匹配的网页列表,从而为用户提供所需的网络信息。随着互联网中网页数量的增加,互联网中出现越来越多的重复网页。例如,同一网站可能具有多个域名,因此产生大量网页内容相同而URL(统一资源定位符)不同的重复网页。大量重复网页的存在,不仅增加了搜索引擎抓取网页的负担,而且也增加了搜索引擎的索引和存储的负担;同时导致向用户提供的搜索信息中存在大量相同的网页,进而降低了搜索结果的准确率。
现有技术中,消除重复网页的技术方案,仅能够避免搜索引擎抓取URL相同的网页,而无法避免搜索引擎抓取URL不同而网页内容相同的重复网页。
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对网页抓取进行优化的方法和装置。
依据本发明的一个方面,提供了一种装置,包括:
网页抓取器,适于抓取统一资源定位符URL对应的网页,并将抓取到的网页存储到网页数据库;
网页数据库,适于存储所述抓取到的网页;
内容对比器,适于对抓取的网页的页面中内容进行比较,查找出页面内容相同的重复网页;
归一化规则生成器,适于将所述重复网页的URL进行比较,生成用于将重复网页URL转换为同一URL的归一化规则;
归一化规则库,适于将生成的归一化规则组成归一化规则库并保存;
所述网页抓取器,进一步适于应用归一化规则库中归一化规则对待抓取网页的URL进行归一化,利用归一化后的URL进行网页抓取。
可选地,所述归一化规则生成器,适于对所述重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出所述重复网页所属网站的多个域名,在所述多个域名中,根据域名的权重值选择出一域名作为目的域名,生成将所述多个域名转换为所述目的域名的归一化规则。
可选地,所述内容对比器,适于对于抓取的网页,根据网页的页面中内容计算网页的特征码,比较网页的特征码,查找出特征码相同的网页作为重复网页。
可选地,所述内容对比器,适于从所述网页的页面中抽取网页的标题和/或网页正文中指定字段,组成字符串,对所述字符串进行散列运算生成散列值,以所述散列值作为所述网页的特征码。
可选地,所述装置还包括:URL数据库,
所述URL数据库,适于在所述归一化规则生成器生成归一化规则后,使用所述归一化规则将重复网页的URL进行归一化,保存归一化前和归一化后的URL;
所述装置还包括:校验器,
所述校验器,适于定期使用归一化规则库中归一化规则将所述URL数据库中的归一化前的URL进行归一化,判断该归一化后的URL与所述URL数据库中的归一化后的URL是否相同,如果不同,则做出归一化规则需要修正的提示;和/或
所述校验器,适于定期指示所述网页抓取器抓取所述URL数据库中归一化前和归一化后的URL的网页,通过所述内容对比器判断抓取的网页内容是否相同,如果不同,则做出归一化规则需要修正的提示。
可选地,所述装置可应用于各种搜索引擎中。
根据本发明的另一个方面,提供了一种对网页抓取进行优化的方法,所述方法包括:
对抓取的网页的页面内容进行比较,查找出页面内容相同的重复网页;
将所述重复网页的统一资源定位符URL进行比较,生成用于将重复网页的URL转换为同一URL的归一化规则;
应用所述归一化规则对待抓取网页的URL进行归一化,对归一化后的URL进行网页抓取。
可选地,所述将所述重复网页的统一资源定位符URL进行比较,生成用于将重复网页URL转换为同一URL的归一化规则进一步包括:
对所述重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出所述重复网页所属网站的多个域名;
在所述多个域名中,根据域名的权重值选择出一域名作为目的域名;
生成将所述多个域名转换为所述目的域名的归一化规则。
可选地,所述对抓取的网页的页面内容进行比较,查找出页面内容相同的重复网页进一步包括:
对于抓取的网页,根据网页的页面中内容计算网页的特征码;
比较网页的特征码,查找出特征码相同的网页作为重复网页。
可选地,所述根据网页的页面中内容计算网页的特征码进一步包括:
从所述网页的页面中抽取网页的标题和/或网页正文中指定字段,组成字符串;
对所述字符串进行散列运算生成散列值,以所述散列值作为所述网页的特征码。
可选地,所述生成用于将重复网页URL转换为同一URL的归一化规则后还包括:
使用所述归一化规则将重复网页的URL进行归一化,保存归一化前和归一化后的URL;
所述方法还包括:
定期使用生成的归一化规则将保存的归一化前的URL进行归一化,判断该归一化后的URL与保存的归一化后的URL是否相同,如果不同,则做出归一化规则需要修正的提示;和/或
定期抓取保存的归一化前和归一化后的URL的网页,判断抓取的网页内容是否相同,如果不同,则做出归一化规则需要修正的提示。
根据本发明的技术方案,对抓取的网页的页面内容进行比较,查找出页面内容相同的重复网页,将重复网页的URL进行比较,生成用于将重复网页的URL转换为同一URL的归一化规则,将生成的归一化规则组成归一化规则库并保存,应用归一化规则库中归一化规则对待抓取网页的URL进行归一化,利用归一化后的URL进行网页抓取。
通过本发明中的技术方案,对网页内容进行比较,能够确定出除具有相同URL的重复网页之外的其他内容相同的重复网页;通过对确定的重复网页的URL的分析得出归一化规则,进而使用归一化规则处理待抓取网页的URL,能够减少抓取到的重复网页的数量。由此,解决了无法避免抓取URL不同而网页内容相同的重复网页的技术问题,取得了减轻抓取、索引和存储网页的负担,提高搜索结果的准确率的有益效果。
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对网页抓取进行优化的装置的结构图;
图2示出了根据本发明一个实施例的一具体实施方式中搜索引擎的结构图;
图3示出了根据本发明一个实施例的一具体实施方式中搜索引擎的结构图;以及
图4示出了根据本发明一个实施例的对网页抓取进行优化的方法的流程图。
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。
参见图1,示出了根据本发明一个实施例的对网页抓取进行优化的装置的结构图。该装置100包括:网页抓取器110、网页数据库120、内容对比器130、归一化规则生成器150和归一化规则库140。
网页抓取器110,适于抓取URL对应的网页,并将抓取到的网页存储到网页数据库120。
网页数据库120,适于存储抓取到的网页。
内容对比器130,适于对抓取的网页的页面中内容进行比较,查找出页面内容相同的重复网页。
内容对比器130可以通过将网页的页面中全部内容进行比较的方式,查找出页面内容相同的重复网页。
在一具体实施方式中,内容对比器130对于抓取的网页,根据网页的页面中内容计算网页的特征码,比较网页的特征码,查找出特征码相同的网页作为重复网页。
具体而言,内容对比器130从网页的页面中抽取网页的标题和/或网页正文中指定字段,组成字符串,对该字符串进行散列运算生成散列值,以生成的散列值作为网页的特征码。
例如,内容对比器130抽取网页的页面中标题和网页正文每段的第一句话,将抽取的内容按抽取顺序拼成字符串,计算该字符串的MD5值,以该MD5值作为该网页的特征码。如果两个网页的特征码相同,则确定该两个网页的内容相同,为重复网页。如果两个网页的特征码不相同,则确定该两个网页的内容不相同,不为重复网页。
在比较网页内容时,相对于比较整个网页内容来确定重复网页的方式,比较特征码来确定重复网页的方式的有益效果在于:
首先,网页的页面中标题和/或指定字段,例如网页正文每段的第一句,能够包含整个网页的特征信息,代表网页的内容,如果两个网页的特征码相同,则足以确定出该两个网页的内容相同。相对于比较整个网页内容来确定重复网页的方式,该方式处理信息量小,处理效率更高。
其次,比较特征码来确定重复网页的方式避免了网页的页面中噪音对判断网页内容的影响。比如,网页内广告、日期等与主要内容无关的网页噪音,在内容相同的重复网页内可能不同,如果采用比较整个网页的方式,会将内容相同的重复网页误判为内容不同,而采用比较特征码来判断网页内容是否相同的方式能够避免上述误判。
归一化规则生成器150,适于将重复网页的URL进行比较,生成用于将重复网页URL转换为同一URL的归一化规则。
在一具体实施方式中,归一化规则生成器150对重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出重复网页所属网站的多个域名,在该多个域名中,根据域名的权重值选择出一域名作为目的域名,生成将多个域名转换为目的域名的归一化规则。
其中,顶级域名为只包含host(主机名),而不包含path(路径)和query(查询信息)的URL。例如,http://www.sina.com.cn/即为顶级域名。
首页类的URL为path(路径)为index.html的URL。例如,http://www.ems.com.cn/index.html即为首页类的URL。
举例而言,可以以域名的PageRank值(谷歌的排名运算中标识等级的值)作为权重值。归一化规则生成器150对重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出重复网页所属网站的多个域名。归一化规则生成器150在该多个域名中,选择域名PageRank值最高的域名作为目的域名,将URL域名归一化成目的域名的动作归纳成归一化规则。
例如,待抓取网页的URL包括:
www.qqgexing.com,
www.qqgexing.com/?$,以及
www.gexing.com。
其中,www.qqgexing.com和www.gexing.com为重复网页,并且其都为顶级域名。www.gexing.com的PageRank值比www.qqgexing.com的PageRank值大,则确定www.gexing.com为目标域名。
采用正则替换的方法将待抓取网页的URL的域名替换为www.gexing.com。归一化后的待抓取网页的URL包括:www.gexing.com和www.gexing.com/?$。这样,能够将同一网站的两个同域名www.qqgexing.com和www.gexing.com归一化为www.gexing.com。
归一化规则库140,适于将生成的归一化规则组成归一化规则库140并保存。
网页抓取器110,还适于应用归一化规则库140中归一化规则对待抓取网页的URL进行归一化,利用归一化后的URL进行网页抓取。
由此,通过本实施例中技术方案解决了无法避免抓取URL不同而网页内容相同的重复网页的技术问题,取得了减轻抓取、索引和存储网页的负担,提高搜索结果的准确率的有益效果。
本发明的装置可应用于各种搜索引擎中,参见图2和图3,示出了根据本发明一个实施例的一具体实施方式中搜索引擎的结构图。该搜索引擎中装置100包括:网页抓取器110、网页数据库120、内容对比器130、归一化规则生成器150和归一化规则库140,以及URL数据库160和校验器170。
其中,网页抓取器110、网页数据库120、内容对比器130、归一化规则生成器150和归一化规则库140的功能如前所述,在此不再赘述。
URL数据库160,适于在归一化规则生成器150生成归一化规则后,使用归一化规则将重复网页的URL进行归一化,保存归一化前和归一化后的URL。
在一具体实施方式中,校验器170定期对归一化规则正确性进行校验。如图2所示,校验器170与URL数据库160和归一化规则库140耦接。
校验器170,适于定期使用归一化规则库140中归一化规则将URL数据库160中的归一化前的URL进行归一化,判断该归一化后的URL与URL数据库160中的归一化后的URL是否相同,如果不同,则做出归一化规则需要修正的提示。
因为,归一化规则库在不断更新变化,归一化规则库中归一化规则间可能存在相互冲突的情况,通过上述校验能够判断出归一化规则库中归一化规则是否存在冲突问题,并在判定归一化规则存在冲突问题时,及时作出提示,以便开始进行后续修正操作。此处仅是在归一化规则出现问题时进行提示,可通过现有技术对归一化规则进行修正。例如,修正操作可以为人工检查修改,也可以为自动查错修改。
在一具体实施方式中,校验器170定期对归一化规则时效性进行校验。如图3所示,校验器170与URL数据库160、网页抓取器110和内容对比器130耦接。
校验器170,适于定期指示网页抓取器110抓取URL数据库160中归一化前和归一化后的URL的网页,通过内容对比器130判断抓取的网页内容是否相同,如果不同,则做出归一化规则需要修正的提示。
因为,互联网中网页内容在不断更新变化,归一化规则库中归一化规则间可能存在过时的情况,通过上述校验能够判断出归一化规则库中归一化规则是否存在过时问题,并在判定归一化规则存在过时问题时,及时作出提示,以便开始进行后续修正操作。此处仅是在归一化规则出现问题时进行提示,可通过现有技术对归一化规则进行修正。例如,修正操作可以为人工检查修改,也可以为自动查错修改。
本发明各实施例的装置可应用于搜索引擎中,例如图2和图3所示。
参见图4,示出了根据本发明一个实施例的对网页抓取进行优化的方法的流程图。该流程包括如下步骤。
步骤S410,对抓取的网页的页面内容进行比较,查找出页面内容相同的重复网页。
在步骤S410中可以通过将网页的页面中全部内容进行比较的方式,查找出页面内容相同的重复网页。
在一具体实施方式中,对于抓取的网页,根据网页的页面中内容计算网页的特征码;比较网页的特征码,查找出特征码相同的网页作为重复网页。
具体而言,在步骤S410中从网页的页面中抽取网页的标题和/或网页正文中指定字段,组成字符串,对该字符串进行散列运算生成散列值,以生成的散列值作为网页的特征码。
例如,抽取网页的页面中标题和网页正文每段的第一句话,将抽取的内容按抽取顺序拼成字符串,计算该字符串的MD5值,以该MD5值作为该网页的特征码。如果两个网页的特征码相同,则确定该两个网页的内容相同,为重复网页。如果两个网页的特征码不相同,则确定该两个网页的内容不相同,不为重复网页。
在比较网页内容时,相对于比较整个网页内容来确定重复网页的方式,比较特征码来确定重复网页的方式的有益效果在于:
首先,网页的页面中标题和/或指定字段,例如网页正文每段的第一句,能够包含整个网页的特征信息,代表网页的内容,如果两个网页的特征码相同,则足以确定出该两个网页的内容相同。相对于比较整个网页内容来确定重复网页的方式,该方式处理信息量小,处理效率更高。
其次,比较特征码来确定重复网页的方式避免了网页的页面中噪音对判断网页内容的影响。比如,网页内广告、日期等与主要内容无关的网页噪音,在内容相同的重复网页内可能不同,如果采用比较整个网页的方式,会将内容相同的重复网页误判为内容不同,而采用比较特征码来判断网页内容是否相同的方式能够避免上述误判。
步骤S420,将重复网页的统一资源定位符URL进行比较,生成用于将重复网页的URL转换为同一URL的归一化规则。
在一具体实施方式中,对重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出所述重复网页所属网站的多个域名。在多个域名中,根据域名的权重值选择出一域名作为目的域名。生成将所述多个域名转换为所述目的域名的归一化规则。
其中,顶级域名为只包含host(主机名),而不包含path(路径)和query(查询信息)的URL。例如,http://www.sina.com.cn/即为顶级域名。
首页类的URL为path(路径)为index.html的URL。例如,http://www.ems.com.cn/index.html即为首页类的URL。
举例而言,可以以域名的PageRank值(谷歌的排名运算中标识等级的值)作为权重值。在步骤S420中对重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出重复网页所属网站的多个域名。在该多个域名中,选择域名PageRank值最高的域名作为目的域名,将URL域名归一化成目的域名的动作归纳成归一化规则。
例如,待抓取网页的URL包括:
www.qqgexing.com,
www.qqgexing.com/?$,以及
www.gexing.com。
其中,www.qqgexing.com和www.gexing.com为重复网页,并且其都为顶级域名。www.gexing.com的PageRank值比www.qqgexing.com的PageRank值大,则确定www.gexing.com为目标域名。
采用正则替换的方法将待抓取网页的URL的域名替换为www.gexing.com。归一化后的待抓取网页的URL包括:www.gexing.com和www.gexing.com/?$。这样,能够将同一网站的两个同域名www.qqgexing.com和www.gexing.com归一化为www.gexing.com。
在一实施例中,可以将生成的归一化规则组成归一化规则库并保存。
步骤S430,应用生成的归一化规则对待抓取网页的URL进行归一化,对归一化后的URL进行网页抓取。
由此,通过本实施例中技术方案解决了无法避免抓取URL不同而网页内容相同的重复网页的技术问题,取得了减轻抓取、索引和存储网页的负担,提高搜索结果的准确率的有益效果。
在一实施例中,所述生成用于将重复网页URL转换为同一URL的归一化规则后还包括使用所述归一化规则将重复网页的URL进行归一化,保存归一化前和归一化后的URL。
所述方法还包括:定期使用生成的归一化规则将保存的归一化前的URL进行归一化,判断该归一化后的URL与保存的归一化后的URL是否相同,如果不同,则做出归一化规则需要修正的提示。
因为,生成的归一化规则在不断增加,归一化规则间可能存在相互冲突的情况,通过上述校验能够判断出归一化规则间是否存在冲突问题,并在判定归一化规则间存在冲突问题时,及时作出提示,以便开始进行后续修正操作。此处仅是在归一化规则出现问题时进行提示,可通过现有技术对归一化规则进行修正。例如,修正操作可以为人工检查修改,也可以为自动查错修改。
在一实施例中,所述生成用于将重复网页URL转换为同一URL的归一化规则后还包括使用所述归一化规则将重复网页的URL进行归一化,保存归一化前和归一化后的URL。
所述方法还包括:定期抓取保存的归一化前和归一化后的URL的网页,判断抓取的网页内容是否相同,如果不同,则做出归一化规则需要修正的提示。
因为,互联网中网页内容在不断更新变化,生成的归一化规则可能存在过时的情况,通过上述校验能够判断出归一化规则是否存在过时问题,并在判定归一化规则存在过时问题时,及时作出提示,以便开始进行后续修正操作。此处仅是在归一化规则出现问题时进行提示,可通过现有技术对归一化规则进行修正。例如,修正操作可以为人工检查修改,也可以为自动查错修改。
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对网页抓取进行优化的装置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 (8)
1.一种对网页抓取进行优化的装置,包括:
网页抓取器,适于抓取统一资源定位符URL对应的网页,并将抓取到的网页存储到网页数据库;
网页数据库,适于存储所述抓取到的网页;
内容对比器,适于对抓取的网页的页面中内容进行比较,查找出页面内容相同的重复网页;
归一化规则生成器,适于将所述重复网页的URL进行比较,生成用于将重复网页URL转换为同一URL的归一化规则;
归一化规则库,适于将生成的归一化规则组成归一化规则库并保存;
所述网页抓取器,进一步适于应用归一化规则库中归一化规则对待抓取网页的URL进行归一化,利用归一化后的URL进行网页抓取;
所述装置还包括:URL数据库,
所述URL数据库,适于在所述归一化规则生成器生成归一化规则后,使用所述归一化规则将重复网页的URL进行归一化,保存归一化前和归一化后的URL;
所述装置还包括:校验器,
所述校验器,适于定期使用归一化规则库中归一化规则将所述URL数据库中的归一化前的URL进行归一化,判断该归一化后的URL与所述URL数据库中的归一化后的URL是否相同,如果不同,则做出归一化规则需要修正的提示;和/或
所述校验器,适于定期指示所述网页抓取器抓取所述URL数据库中归一化前和归一化后的URL的网页,通过所述内容对比器判断抓取的网页内容是否相同,如果不同,则做出归一化规则需要修正的提示。
2.根据权利要求1所述的装置,其中,
所述归一化规则生成器,适于对所述重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出所述重复网页所属网站的多个域名,在所述多个域名中,根据域名的权重值选择出一域名作为目的域名,生成将所述多个域名转换为所述目的域名的归一化规则。
3.根据权利要求1或2所述的装置,其中,
所述内容对比器,适于对于抓取的网页,根据网页的页面中内容计算网页的特征码,比较网页的特征码,查找出特征码相同的网页作为重复网页。
4.根据权利要求3所述的装置,其中,
所述内容对比器,适于从所述网页的页面中抽取网页的标题和/或网页正文中指定字段,组成字符串,对所述字符串进行散列运算生成散列值,以所述散列值作为所述网页的特征码。
5.一种对网页抓取进行优化的方法,所述方法包括:
对抓取的网页的页面内容进行比较,查找出页面内容相同的重复网页;
将所述重复网页的统一资源定位符URL进行比较,生成用于将重复网页的URL转换为同一URL的归一化规则;
应用所述归一化规则对待抓取网页的URL进行归一化,对归一化后的URL进行网页抓取;
所述生成用于将重复网页URL转换为同一URL的归一化规则后还包括:
使用所述归一化规则将重复网页的URL进行归一化,保存归一化前和归一化后的URL;
所述方法还包括:
定期使用生成的归一化规则将保存的归一化前的URL进行归一化,判断该归一化后的URL与保存的归一化后的URL是否相同,如果不同,则做出归一化规则需要修正的提示;和/或
定期抓取保存的归一化前和归一化后的URL的网页,判断抓取的网页内容是否相同,如果不同,则做出归一化规则需要修正的提示。
6.根据权利要求5所述的方法,其中,
所述将所述重复网页的统一资源定位符URL进行比较,生成用于将重复网页URL转换为同一URL的归一化规则进一步包括:
对所述重复网页URL中属于顶级域名或首页类的URL进行统计,分析得出所述重复网页所属网站的多个域名;
在所述多个域名中,根据域名的权重值选择出一域名作为目的域名;
生成将所述多个域名转换为所述目的域名的归一化规则。
7.根据权利要求5或6所述的方法,其中,
所述对抓取的网页的页面内容进行比较,查找出页面内容相同的重复网页进一步包括:
对于抓取的网页,根据网页的页面中内容计算网页的特征码;
比较网页的特征码,查找出特征码相同的网页作为重复网页。
8.根据权利要求7所述的方法,其中,
所述根据网页的页面中内容计算网页的特征码进一步包括:
从所述网页的页面中抽取网页的标题和/或网页正文中指定字段,组成字符串;
对所述字符串进行散列运算生成散列值,以所述散列值作为所述网页的特征码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289030.4A CN103399872B (zh) | 2013-07-10 | 2013-07-10 | 对网页抓取进行优化的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289030.4A CN103399872B (zh) | 2013-07-10 | 2013-07-10 | 对网页抓取进行优化的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103399872A CN103399872A (zh) | 2013-11-20 |
CN103399872B true CN103399872B (zh) | 2016-09-28 |
Family
ID=49563502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310289030.4A Expired - Fee Related CN103399872B (zh) | 2013-07-10 | 2013-07-10 | 对网页抓取进行优化的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103399872B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778164B (zh) * | 2014-01-09 | 2018-01-30 | 中国银联股份有限公司 | 检测重复url的方法及装置 |
CN106326236A (zh) * | 2015-06-18 | 2017-01-11 | 天脉聚源(北京)科技有限公司 | 一种网页内容识别方法和系统 |
CN106933874A (zh) * | 2015-12-30 | 2017-07-07 | 上海格尔软件股份有限公司 | 一种自定义web页面列表中列显示或者隐藏的方法 |
CN107273409B (zh) * | 2017-05-03 | 2020-12-15 | 广州赫炎大数据科技有限公司 | 一种网络数据采集、存储及处理方法及系统 |
CN110968758B (zh) * | 2018-09-30 | 2023-05-12 | 北京国双科技有限公司 | 网页数据的爬取方法及装置 |
CN111177522B (zh) * | 2018-11-09 | 2023-08-18 | 百度在线网络技术(北京)有限公司 | 页面聚合方法、装置、计算机设备及存储介质 |
CN112822302B (zh) * | 2019-11-18 | 2023-03-24 | 百度在线网络技术(北京)有限公司 | 数据归一化的方法、装置、电子设备及存储介质 |
CN112948654A (zh) * | 2019-11-26 | 2021-06-11 | 上海哔哩哔哩科技有限公司 | 网页爬取方法、装置以及计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663105A (zh) * | 2012-04-13 | 2012-09-12 | 北京搜狗科技发展有限公司 | 号码信息数据库的建立方法及系统 |
CN102682085A (zh) * | 2012-04-18 | 2012-09-19 | 北京十分科技有限公司 | 一种网页去重的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7680785B2 (en) * | 2005-03-25 | 2010-03-16 | Microsoft Corporation | Systems and methods for inferring uniform resource locator (URL) normalization rules |
-
2013
- 2013-07-10 CN CN201310289030.4A patent/CN103399872B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663105A (zh) * | 2012-04-13 | 2012-09-12 | 北京搜狗科技发展有限公司 | 号码信息数据库的建立方法及系统 |
CN102682085A (zh) * | 2012-04-18 | 2012-09-19 | 北京十分科技有限公司 | 一种网页去重的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103399872A (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103399872B (zh) | 对网页抓取进行优化的方法和装置 | |
US9954895B2 (en) | System and method for identifying phishing website | |
CN103617213B (zh) | 识别新闻网页属性特征的方法和系统 | |
US10909427B2 (en) | Method and device for classifying webpages | |
CN105512285B (zh) | 基于机器学习的自适应网络爬虫方法 | |
US20150128272A1 (en) | System and method for finding phishing website | |
CN107437026B (zh) | 一种基于广告网络拓扑的恶意网页广告检测方法 | |
US10146880B2 (en) | Determining a filtering parameter for values displayed in an application card based on a user history | |
CN110191096B (zh) | 一种基于语义分析的词向量网页入侵检测方法 | |
CN104778164B (zh) | 检测重复url的方法及装置 | |
CN102163234A (zh) | 一种基于纠错相关度对查询序列进行纠错的设备和方法 | |
CN102436563A (zh) | 一种检测页面篡改的方法及装置 | |
CN104331438B (zh) | 对小说网页内容选择性抽取方法和装置 | |
CN102591965A (zh) | 一种黑链检测的方法及装置 | |
CN104067273A (zh) | 将搜索结果分组为简档页面 | |
CN106021418A (zh) | 新闻事件的聚类方法及装置 | |
CN103399874B (zh) | 对同一域名下网页抓取进行优化的方法和装置 | |
CN105528357A (zh) | 一种基于url和网页文档结构的相似性的网页内容提取方法 | |
CN106919576A (zh) | 利用二级类目下的关键词库搜索应用程序的方法及装置 | |
CN103177084A (zh) | 一种考虑数据可信度的数据挖掘方法 | |
CN102929948B (zh) | 列表页识别系统及方法 | |
CN106547774B (zh) | 网站内容的检测方法及装置 | |
CN103870590B (zh) | 具有报错特征的网页识别方法和装置 | |
WO2017113324A1 (zh) | 基于正则表达式的url过滤方法 | |
CN106649337A (zh) | 识别网页栏目的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160928 Termination date: 20210710 |