CN103514171A - 基于光学字符识别与垂直搜索的自定义爬虫方法 - Google Patents
基于光学字符识别与垂直搜索的自定义爬虫方法 Download PDFInfo
- Publication number
- CN103514171A CN103514171A CN201210204733.8A CN201210204733A CN103514171A CN 103514171 A CN103514171 A CN 103514171A CN 201210204733 A CN201210204733 A CN 201210204733A CN 103514171 A CN103514171 A CN 103514171A
- Authority
- CN
- China
- Prior art keywords
- configuration
- reptile
- url
- optical character
- page
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012015 optical character recognition Methods 0.000 title abstract description 9
- 241000270322 Lepidosauria Species 0.000 claims description 35
- 230000003287 optical effect Effects 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 6
- 235000014510 cooky Nutrition 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于光学字符识别与垂直搜索的自定义爬虫方法,其特点是:采用光学字符识别与垂直搜索的自定义爬虫相结合,包括自动化爬虫配置阶段与程序执行阶段。这样,可以有效减少程序的维护成本和提高数据获取的灵活性。并且,将本发明的内容实施到搜索引擎的相关程序执行上后,可以有效提升程序的运行工作效率,进而优化搜索过程,为使用者和实施者均带来了便利性。
Description
技术领域
本发明涉及一种自定义爬虫方法,尤其涉及一种基于光学字符识别与垂直搜索的自定义爬虫方法。
背景技术
对于庞大的互联网数据,不同领域关注的数据类型不同,传统的搜索引擎不能准确的搜索到高质量的数据,于是垂直搜索引擎被广泛使用。
垂直搜索中数据获取方式一般是由一定编程功底的人员,通过正则表达式对网页上的数据进行抽取。但是,由于需求与网页源代码的多变性要求编程人员对程序不断的进行更改,这样大大增加了程序的维护成本。
另外,有些数据的获取需要进行登录,登录一般需要输入验证码。这样导致程序自动获取数据的难度增加。
发明内容
本发明的目的就是为了解决现有技术中存在的上述问题,提供一种基于光学字符识别与垂直搜索的自定义爬虫方法。
本发明的目的通过以下技术方案来实现:
基于光学字符识别与垂直搜索的自定义爬虫方法,其包括自动化爬虫配置阶段与程序执行阶段,
所述自动化爬虫配置阶段包括以下步骤,步骤①,根据网页是否需要登录浏览来判断是否需要配置登录,需要登录则进入步骤②,不需要登录则进入步骤③;步骤②,配置登录信息,并配置验证码图片获取规则;步骤③,配置起始页URL与相关规则;步骤④,判断标识是否终页,若是则终页执行步骤⑦,若不是则进入步骤⑤;步骤⑤,配置下一页URL获取规则;步骤⑥,配置URL有效数据抽取规则,进入步骤④;步骤⑦,配置以上步骤中抽取的有效数据的整合;步骤 ,配置步骤⑦整合数据的存储设置;步骤,保存自动化爬虫配置信息。
程序执行阶段包括以下步骤:步骤①,程序读取自动化爬虫配置信息;步骤②,根据自动化爬虫配置信息登录相关配置判断是否需要进行登录,需要登录则进入步骤③,不需要则进入步骤⑦;步骤③,根据自动化爬虫配置信息中包含的验证码配置判断是否需要验证码识别,需要验证码识别则进入步骤④,否则进入步骤⑥;步骤④,服务器下载验证码图片; 步骤⑤,图片数据发送到光学字符识别服务器,该服务器读取图片信息并返回;步骤⑥,尝试登陆,若登陆成功则进入步骤⑦,否则进入步骤;步骤⑦,取出起始页的URL;步骤,访问给定的URL;步骤,按照相应URL的配置信息抽取此URL网页中的有效数据,有数据既为想要的内容;步骤,判断当前页面是不是终页,若是则进入步骤,若不是则进入步骤;步骤按照相应URL的配置信息获取下一层的URL,进入步骤;步骤,整合以上步骤抽取的数据。
上述的基于光学字符识别与垂直搜索的自定义爬虫方法,其中:所述的登录信息包括cookie、用户名、密码。
进一步地,上述的基于光学字符识别与垂直搜索的自定义爬虫方法,其中:所述的储存设置是文本存储或是数据库存储,文本存储需写明输出路径,数据库则配置数据库的地址、用户名、密码。
更进一步地,上述的基于光学字符识别与垂直搜索的自定义爬虫方法,其中:所述的相应URL的配置信息是正则表达式,用于抽取页面中的想要内容。
本发明技术方案的优点主要体现在:依托于OCR(Optical Character Recognition\光学字符识别)技术与自定义垂直搜索爬虫的配合,可以有效减少程序的维护成本和提高数据获取的灵活性。并且,将本发明的内容实施到搜索引擎的相关程序执行上后,可以有效提升程序的运行工作效率,进而优化搜索过程,为使用者和实施者均带来了便利性。
附图说明
本发明的目的、优点和特点,将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例,凡采取等同替换或者等效变换而形成的技术方案,均落在本发明要求保护的范围之内。这些附图当中,
图1是自动化爬虫配置阶段的流程示意图;
图2是自动化爬虫程序执行阶段的流程示意图。
具体实施方式
如图1、2所示的基于光学字符识别与垂直搜索的自定义爬虫方法,其特别之处在于:包括自动化爬虫配置阶段与程序执行阶段。
具体来说,采用的自动化爬虫配置阶段包括以下步骤:步骤①,根据网页是否需要登录浏览来判断是否需要配置登录,需要登录则进入步骤②,不需要登录则进入步骤③。步骤②,配置登录信息,并配置验证码图片获取规则。为了便于程序的处理,提高整体的工作效率,采用的登录信息包括cookie、用户名、密码。当然,可以追加其他的相关内容到登录信息中,便于网站判断是否登录的相关信息,即模拟登录的必要信息。在此期间,若不需要验证码识别,则不配置验证码图片获取规则。
步骤③,配置起始页URL与相关规则。步骤④,判断标识是否终页,若是则终页执行步骤⑦,若不是则进入步骤⑤。步骤⑤,配置下一页URL获取规则。步骤⑥,配置URL有效数据抽取规则,进入步骤④。步骤⑦,配置以上步骤中抽取的有效数据的整合。步骤,配置步骤⑦整合数据的存储设置。具体来说,考虑到不同的实施方式,采用的储存设置是文本存储或是数据库存储,文本存储需写明输出路径,数据库则配置数据库的地址、用户名、密码。步骤,保存自动化爬虫配置信息。这样,为后续的执行进行准备。
进一步来看,本发明采用的程序执行阶段包括以下步骤:步骤①,程序读取自动化爬虫配置信息。步骤②,根据自动化爬虫配置信息登录相关配置判断是否需要进行登录,需要登录则进入步骤③,不需要则进入步骤⑦。
步骤③,根据自动化爬虫配置信息中包含的验证码配置判断是否需要验证码识别,需要验证码识别则进入步骤④,否则进入步骤⑥。步骤④,服务器下载验证码图片。步骤⑤,图片数据发送到光学字符识别(OCR Optical Character Recognition)服务器,该服务器读取图片信息并返回。步骤⑥,尝试登陆,若登陆成功则进入步骤⑦,否则进入步骤。步骤⑦,取出起始页的URL。步骤,访问给定的URL。步骤,按照相应URL的配置信息抽取此URL网页中的有效数据,有数据既为想要的内容。具体来说,去了便于相关内容的抽取,相应URL的配置信息是正则表达式,用于抽取页面中的想要内容。
通过上述的文字表述可以看出,采用本发明后,依托于OCR(Optical Character Recognition\光学字符识别)技术与自定义垂直搜索爬虫的配合,可以有效减少程序的维护成本和提高数据获取的灵活性。并且,将本发明的内容实施到搜索引擎的相关程序执行上后,可以有效提升程序的运行工作效率,进而优化搜索过程,为使用者和实施者均带来了便利性。
Claims (4)
1.基于光学字符识别与垂直搜索的自定义爬虫方法,其特征在于:包括自动化爬虫配置阶段与程序执行阶段,
所述自动化爬虫配置阶段包括以下步骤,
步骤①,根据网页是否需要登录浏览来判断是否需要配置登录,需要登录则进入步骤②,不需要登录则进入步骤③;
步骤②,配置登录信息,并配置验证码图片获取规则;
步骤③,配置起始页URL与相关规则;
步骤④,判断标识是否终页,若是则终页执行步骤⑦,若不是则进入步骤⑤;
步骤⑤,配置下一页URL获取规则;
步骤⑥,配置URL有效数据抽取规则,进入步骤④;
步骤⑦,配置以上步骤中抽取的有效数据的整合;
步骤 ,配置步骤⑦整合数据的存储设置;
步骤,保存自动化爬虫配置信息;
程序执行阶段包括以下步骤:
步骤①,程序读取自动化爬虫配置信息;
步骤②,根据自动化爬虫配置信息登录相关配置判断是否需要进行登录,需要登录则进入步骤③,不需要则进入步骤⑦;
步骤③,根据自动化爬虫配置信息中包含的验证码配置判断是否需要验证码识别,需要验证码识别则进入步骤④,否则进入步骤⑥;
步骤④,服务器下载验证码图片;
步骤⑤,图片数据发送到光学字符识别服务器,该服务器读取图片信息并返回;
步骤⑦,取出起始页的URL;
步骤,访问给定的URL;
步骤,按照相应URL的配置信息抽取此URL网页中的有效数据,有数据既为想要的内容;
2.根据权利要求1所述的基于光学字符识别与垂直搜索的自定义爬虫方法,其特征在于:所述的登录信息包括cookie、用户名、密码。
3.根据权利要求1所述的基于光学字符识别与垂直搜索的自定义爬虫方法,其特征在于:所述的储存设置是文本存储或是数据库存储,文本存储需写明输出路径,数据库则配置数据库的地址、用户名、密码。
4.根据权利要求1所述的基于光学字符识别与垂直搜索的自定义爬虫方法,其特征在于:所述的相应URL的配置信息是正则表达式,用于抽取页面中的想要内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210204733.8A CN103514171B (zh) | 2012-06-20 | 2012-06-20 | 基于光学字符识别与垂直搜索的自定义爬虫方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210204733.8A CN103514171B (zh) | 2012-06-20 | 2012-06-20 | 基于光学字符识别与垂直搜索的自定义爬虫方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103514171A true CN103514171A (zh) | 2014-01-15 |
CN103514171B CN103514171B (zh) | 2016-08-03 |
Family
ID=49896911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210204733.8A Active CN103514171B (zh) | 2012-06-20 | 2012-06-20 | 基于光学字符识别与垂直搜索的自定义爬虫方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103514171B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984719A (zh) * | 2014-05-12 | 2014-08-13 | 浪潮电子信息产业股份有限公司 | 一种爬虫模拟登陆采集的方法 |
CN104484424A (zh) * | 2014-12-19 | 2015-04-01 | 浪潮通用软件有限公司 | 基于互联网建筑施工企业资源价格信息库的构建方法 |
CN105930727A (zh) * | 2016-04-25 | 2016-09-07 | 无锡中科富农物联科技有限公司 | 基于Web的爬虫识别算法 |
CN106095918A (zh) * | 2016-06-06 | 2016-11-09 | 山东科技大学 | 一种基于ocr技术的网络受保护指数数据的获取方法 |
CN106897357A (zh) * | 2017-01-04 | 2017-06-27 | 北京京拍档科技股份有限公司 | 一种用于带验证分布式智能爬取网络信息的方法 |
CN108076067A (zh) * | 2017-12-27 | 2018-05-25 | 北京中关村科金技术有限公司 | 一种授权爬虫配置化模拟登录的方法及系统 |
CN109783714A (zh) * | 2019-01-08 | 2019-05-21 | 上海因致信息科技有限公司 | 接口数据获取方法及系统 |
WO2019136960A1 (zh) * | 2018-01-12 | 2019-07-18 | 深圳壹账通智能科技有限公司 | 一种爬取网站数据的方法、存储介质、服务器及装置 |
CN110119468A (zh) * | 2019-05-15 | 2019-08-13 | 重庆八戒传媒有限公司 | 一种提高抓取公开数据种子精度的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150463A1 (en) * | 2003-12-22 | 2007-06-28 | Claudio Cannella | Advanced method of searching, drafting and editing of electronic files |
CN101291304A (zh) * | 2008-06-13 | 2008-10-22 | 清华大学 | 可移植的网络信息共享方法 |
CN101635718A (zh) * | 2009-08-26 | 2010-01-27 | 中兴通讯股份有限公司 | 网络爬虫系统及其获取资源的方法和网络资源抓取装置 |
-
2012
- 2012-06-20 CN CN201210204733.8A patent/CN103514171B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150463A1 (en) * | 2003-12-22 | 2007-06-28 | Claudio Cannella | Advanced method of searching, drafting and editing of electronic files |
CN101291304A (zh) * | 2008-06-13 | 2008-10-22 | 清华大学 | 可移植的网络信息共享方法 |
CN101635718A (zh) * | 2009-08-26 | 2010-01-27 | 中兴通讯股份有限公司 | 网络爬虫系统及其获取资源的方法和网络资源抓取装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984719A (zh) * | 2014-05-12 | 2014-08-13 | 浪潮电子信息产业股份有限公司 | 一种爬虫模拟登陆采集的方法 |
CN104484424A (zh) * | 2014-12-19 | 2015-04-01 | 浪潮通用软件有限公司 | 基于互联网建筑施工企业资源价格信息库的构建方法 |
CN105930727B (zh) * | 2016-04-25 | 2018-11-09 | 无锡中科富农物联科技有限公司 | 基于Web的爬虫识别方法 |
CN105930727A (zh) * | 2016-04-25 | 2016-09-07 | 无锡中科富农物联科技有限公司 | 基于Web的爬虫识别算法 |
CN106095918A (zh) * | 2016-06-06 | 2016-11-09 | 山东科技大学 | 一种基于ocr技术的网络受保护指数数据的获取方法 |
CN106095918B (zh) * | 2016-06-06 | 2020-03-06 | 山东科技大学 | 一种基于ocr技术的网络受保护指数数据的获取方法 |
CN106897357A (zh) * | 2017-01-04 | 2017-06-27 | 北京京拍档科技股份有限公司 | 一种用于带验证分布式智能爬取网络信息的方法 |
CN106897357B (zh) * | 2017-01-04 | 2023-07-18 | 北京京拍档科技股份有限公司 | 一种用于带验证分布式智能爬取网络信息的方法 |
CN108076067A (zh) * | 2017-12-27 | 2018-05-25 | 北京中关村科金技术有限公司 | 一种授权爬虫配置化模拟登录的方法及系统 |
CN108076067B (zh) * | 2017-12-27 | 2021-05-18 | 北京中关村科金技术有限公司 | 一种授权爬虫配置化模拟登录的方法及系统 |
WO2019136960A1 (zh) * | 2018-01-12 | 2019-07-18 | 深圳壹账通智能科技有限公司 | 一种爬取网站数据的方法、存储介质、服务器及装置 |
CN109783714A (zh) * | 2019-01-08 | 2019-05-21 | 上海因致信息科技有限公司 | 接口数据获取方法及系统 |
CN110119468A (zh) * | 2019-05-15 | 2019-08-13 | 重庆八戒传媒有限公司 | 一种提高抓取公开数据种子精度的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103514171B (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514171A (zh) | 基于光学字符识别与垂直搜索的自定义爬虫方法 | |
US10049096B2 (en) | System and method of template creation for a data extraction tool | |
CN109976840B (zh) | 一种基于前后台分离平台下实现多语言自动适配的方法及系统 | |
CN105094775B (zh) | 网页生成方法和装置 | |
CN102098331A (zh) | 一种还原web类应用内容的方法及其系统 | |
US20240054802A1 (en) | System and method for spatial encoding and feature generators for enhancing information extraction | |
EP2938044A1 (en) | System, method, apparatus, and server for displaying network medium information | |
CN104598577A (zh) | 一种网页正文的提取方法 | |
CN103294953B (zh) | 一种手机恶意代码检测方法及系统 | |
WO2017096967A1 (zh) | 自适应显示网页的方法及装置 | |
CN106302849A (zh) | 一种通过运营商数据进行移固融合的方法 | |
CN103425931A (zh) | 一种网页异常脚本检测方法及系统 | |
CN113657395A (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN103246709A (zh) | 一种网页数据抓取的方法 | |
CN110555145A (zh) | 一种基于浏览器的网页内容采集系统及其采集方法 | |
CN103309851A (zh) | 短文本的垃圾识别方法及系统 | |
US20200279106A1 (en) | Document extraction system and method | |
CN103559195A (zh) | 一种搜索方法和终端 | |
CN103678284A (zh) | 页面文字翻译方法及装置 | |
CN102073694A (zh) | 原译文多页面审校方法 | |
CN109088873A (zh) | 一种基于人脸识别大数据的登录系统 | |
EP3061034A1 (en) | Interactive optical codes | |
CN102982029A (zh) | 一种搜索需求识别方法及装置 | |
CN107506373B (zh) | 一种教材的制作方法及终端设备 | |
CN106815249B (zh) | 竖向文本广告过滤方法和装置 |
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 |