CN103838865B - 用于挖掘时效性种子页的方法及装置 - Google Patents
用于挖掘时效性种子页的方法及装置 Download PDFInfo
- Publication number
- CN103838865B CN103838865B CN201410105792.9A CN201410105792A CN103838865B CN 103838865 B CN103838865 B CN 103838865B CN 201410105792 A CN201410105792 A CN 201410105792A CN 103838865 B CN103838865 B CN 103838865B
- Authority
- CN
- China
- Prior art keywords
- page
- website information
- ageing
- subpage frame
- candidate
- 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.)
- Active
Links
- 230000032683 aging Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000000284 extract Substances 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 4
- 241000270322 Lepidosauria Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
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 Transfer Between Computers (AREA)
Abstract
本发明公开了一种用于挖掘时效性种子页的方法及装置。其中方法包括：分析网页抓取日志，提取出由第一页面到第二页面的跳转行为；解析所述第二页面的网址信息，判断所述第二页面的网址信息是否包含最新的时间标志以及所述第一页面和所述第二页面是否属于同一个站点，若判断结果均为是，则将所述第一页面作为候选的时效性种子页面；对所述候选的时效性种子页面进行验证，根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据所述网址信息模板抓取页面。该方法利用网页可以跳转到具有最新的时间标志的页面的特性，根据网址信息模板挖掘时效性种子网页，而不用解析网页主体即可识别网页类型；方法简单易实现，准确率高。
Description
技术领域
本发明涉及互联网领域，具体涉及一种用于挖掘时效性种子页的方法及装置。
背景技术
一般将能够持续产生具有时效性的新网页称为时效性种子网页。时效性种子网页来源于多种类型的网页，比如：新闻站点的网页、bbs论坛的网页、视频站点的网页等等。
在时效性种子网页中有一种特殊网页---数字报纸。这种网页有一个特点，通常通过浏览器访问统一资源定位符（url）时跳转到当天的一个最新的url，例如：《XXX晨报》对应的url:http://newspaper.abc.cn/xxxcb，3月7号访问时跳转到：http://newspaper.abc.cn/xxxcb/html/2014-03/07/node_25.htm，类似http://newspaper.abc.cn/xxxcb的报纸类型的url一般是比较优质的时效性种子页面，能够持续产生具有时效性的网页。
有些搜索引擎的网络爬虫在处理具有跳转形式的url时往往是用跳转后的url覆盖跳转前的url，这样的话保留下来的是跳转后的url，而跳转前的url是很难挖掘出作为时效性种子页面。
现有技术主要是通过解析网页内容，根据提前设定的一些关键词：比如“报纸”等来匹配网页，匹配上的话认为是数字报纸。另外，这种方案还需要区分普通内容页和索引页，因为内容页和索引页一般具有相同的关键词，而内容页和索引页的区分一般需要涉及到网页主体的识别等技术。现有技术需要解析网页内容，效率低；还需要区分内容页和索引页，涉及到网页主体提取等技术，而无法保证准确率，难度较大。
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用于挖掘时效性种子页的方法和相应的用于挖掘时效性种子页的装置。
根据本发明的一个方面，提供了一种用于挖掘时效性种子页的方法，包括：
分析网页抓取日志，提取出由第一页面到第二页面的跳转行为；
解析所述第二页面的网址信息，判断所述第二页面的网址信息是否包含最新的时间标志以及所述第一页面和所述第二页面是否属于同一个站点，若判断结果均为是，则将所述第一页面作为候选的时效性种子页面；
对所述候选的时效性种子页面进行验证，根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据所述网址信息模板抓取页面。
可选地，所述对所述候选的时效性种子页面进行验证进一步包括：
通过对所述候选的时效性种子页面按照预设时段进行第二次抓取，判断所述候选的时效性种子页面是否跳转到第三页面；
若所述候选的时效性种子页没有发生跳转行为，则对所述候选的时效性种子页面验证不通过；
若所述候选的时效性种子页跳转到第三页面，解析所述第三页面的网址信息，判断所述第三页面的网址信息是否包含最新的时间标志以及所述候选的时效性种子页面和所述第三页面是否属于同一个站点，若判断结果均为是，则对所述候选的时效性种子页面验证通过。
可选地，所述根据验证通过的时效性种子页面确定网址信息模板，以供所述网络爬虫根据所述网址信息模板抓取页面进一步包括：
收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定所述时效性种子页面对应的网址信息模板，以供所述网络爬虫根据所述时效性种子页面对应的网址信息模板抓取页面。
可选地，在所述将所述第一页面作为候选的时效性种子页面之前还包括：判断第一页面的网址信息是否包含最新的时间标志；
若所述第一页面的网址信息不包含最新的时间标志，并且所述第二页面的网址信息包含最新的时间标志以及所述第一页面和所述第二页面属于同一个站点，将所述第一页面作为候选的时效性种子页面。
可选地，所述时效性种子页面对应的网址信息模板包括：所述验证通过的时效性种子页的网址信息与所述内链的共同部分以及通配符，所述通配符是由所述验证通过的时效性种子页的网址信息与所述内链的不同部分而确定的。
可选地，所述通配符包含时间通配符和版面通配符。
可选地，所述网络爬虫根据所述时效性种子页面对应的网址信息模板抓取页面进一步包括：所述网络爬虫更改所述通配符生成新的时效性种子页面，对所述新的时效性种子页面进行抓取。
可选地，所述网址信息为统一资源定位符。
根据本发明的另一方面，提供了一种用于挖掘时效性种子页的装置，包括：
日志数据库，适于存储网页抓取日志；
分析模块，适于分析所述日志数据库中的抓取日志，提取出由第一页面到第二页面的跳转行为；
解析模块，适于解析所述第二页面的网址信息，判断所述第二页面的网址信息是否包含最新的时间标志以及所述第一页面和所述第二页面是否属于同一个站点，若判断结果均为是，则将所述第一页面作为候选的时效性种子页面；
验证模块，适于对所述候选的时效性种子页面进行验证；
抓取模块，适于根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据所述网址信息模板抓取页面。
可选地，所述验证模块进一步适于：
通过对所述候选的时效性种子页面按照预设时段进行第二次抓取，判断所述候选的时效性种子页面是否跳转到第三页面；
若所述候选的时效性种子页没有发生跳转行为，则对所述候选的时效性种子页面验证不通过；
若所述候选的时效性种子页跳转到第三页面，解析所述第三页面的网址信息，判断所述第三页面的网址信息是否包含最新的时间标志以及所述候选的时效性种子页面和所述第三页面是否属于同一个站点，若判断结果均为是，则对所述候选的时效性种子页面验证通过。
可选地，所述抓取模块进一步适于：
收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定所述时效性种子页面对应的网址信息模板，以供所述网络爬虫根据所述时效性种子页面对应的网址信息模板抓取页面。
可选地，所述装置还包括：判断模块，适于判断第一页面的网址信息是否包含最新的时间标志；
若所述判断模块判断出所述第一页面的网址信息不包含最新的时间标志，进一步判断出所述第二页面的网址信息包含最新的时间标志以及所述第一页面和所述第二页面属于同一个站点，将所述第一页面作为候选的时效性种子页面。
可选地，所述时效性种子页面对应的网址信息模板包括：所述验证通过的时效性种子页的网址信息与所述内链的共同部分以及通配符，所述通配符是由所述验证通过的时效性种子页的网址信息与所述内链的不同部分而确定的。
可选地，所述通配符包含时间通配符和版面通配符。
可选地，所述抓取模块进一步适于：所述网络爬虫更改所述通配符生成新的时效性种子页面，对所述新的时效性种子页面进行抓取。
可选地，所述网址信息为统一资源定位符。
根据本发明的用于挖掘时效性种子页的方法及装置，通过分析网页抓取日志，提取出由第一页面到第二页面的跳转行为；解析所述第二页面的网址信息，判断所述第二页面的网址信息是否包含最新的时间标志以及所述第一页面和所述第二页面是否属于同一个站点，若判断结果均为是，则将所述第一页面作为候选的时效性种子页面；对所述候选的时效性种子页面进行验证，根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据所述网址信息模板抓取页面。该方法利用网页可以跳转到具有最新的时间标志的页面的特性，根据网址信息模板挖掘时效性种子网页，而不用解析网页主体即可识别网页类型；方法简单易实现，准确率高。
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用于挖掘时效性种子页的方法的流程图；
图2示出了根据本发明另一个实施例的用于挖掘时效性种子页的方法的流程图；
图3示出了根据本发明一个实施例的用于挖掘时效性种子页的装置的结构示意图。
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用于挖掘时效性种子页的方法的流程图。如图1所示，该方法包括如下步骤：
步骤S100，分析网页抓取日志，提取出由第一页面到第二页面的跳转行为。
跳转是指网页可以由第一页面有效地跳转链接至第二页面。
步骤S110，解析第二页面的网址信息，判断第二页面的网址信息是否包含最新的时间标志以及第一页面和第二页面是否属于同一个站点，若判断结果均为是，则执行步骤S120；若否则返回步骤S100。
可选地，网址信息可以是统一资源定位符。若网络爬虫抓取网页的时间为2014年3月7日，则最新的时间标志可以选自2014年3月7日、2014-03/07、2014/03/07、2014-03-07、2014_03_07、20140307、2014/0307、201403/07以及表示最新时间的字符串中的一种。
步骤S120，将第一页面作为候选的时效性种子页面。
时效性种子页面是指能够为用户提供网站或者一组网页的索引，帮助用户较快的找到想要获取的信息，能够产生具有时效性的新网页。
步骤S130，对候选的时效性种子页面进行验证，根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据网址信息模板抓取页面。
根据本发明上述实施例提供的方法，通过分析网页抓取日志，提取出由第一页面到第二页面的跳转行为；解析第二页面的网址信息，判断第二页面的网址信息是否包含最新的时间标志以及第一页面和第二页面是否属于同一个站点，若判断结果均为是，则将第一页面作为候选的时效性种子页面；对候选的时效性种子页面进行验证，根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据网址信息模板抓取页面。该方法利用网页可以跳转到具有最新的时间标志的页面的特性，根据网址信息模板挖掘时效性种子网页，而不用解析网页主体即可识别网页类型；方法简单易实现，准确率高。
图2示出了根据本发明另一个实施例的用于挖掘时效性种子页的方法的流程图。如图2所示，该方法包括如下步骤：
步骤S200，分析网页抓取日志，提取出由第一页面到第二页面的跳转行为。
跳转是指网页可以由第一页面有效地跳转链接至第二页面。举例来说，由第一页面http://newspaper.abc.cn/xxxcb跳转到第二页面http://newspaper.abc.cn/xxxcb/html/2014-03/07/node_25.htm。
步骤S210，解析第二页面的网址信息，判断第二页面的网址信息是否包含最新的时间标志以及第一页面和第二页面是否属于同一个站点，若判断结果均为是，则执行步骤S220；若否则返回步骤S200。
其中，网址信息为统一资源定位符（url）。若网络爬虫抓取网页的时间为2014年3月7日，则最新的时间标志可以选自2014年3月7日、2014-03/07、2014/03/07、2014-03-07、2014_03_07、20140307、2014/0307、201403/07以及表示最新时间的字符串中的一种。具体地，将第一页面的网址信息http://newspaper.abc.cn/xxxcb定义为urlA、第二页面的网址信息http://newspaper.abc.cn/xxxcb/html/2014-03/07/node_25.htm定义为urlB，解析urlB，判断urlB是否包含上述最新的时间标志；通过比较urlA和urlB是否有相同的域名来判断第一页面和第二页面是否属于同一个站点。
步骤S220，判断第一页面的网址信息是否包含最新的时间标志；若第一页面的网址信息不包含最新的时间标志，并且第二页面的网址信息包含最新的时间标志以及第一页面和第二页面属于同一个站点，则执行步骤S230；若第一页面的网址信息包括最新的时间标志则返回步骤S200。
步骤S230，将第一页面作为候选的时效性种子页面。
将步骤S220中符合条件的第一页面作为候选的时效性种子页面。
步骤S240，对候选的时效性种子页面进行验证。
通过对候选的时效性种子页面进行验证，确定候选的时效性种子页面能否作为时效性种子页面，主要通过下面的方法进行验证：
通过对候选的时效性种子页面按照预设时段进行第二次抓取，判断候选的时效性种子页面是否跳转到第三页面；若候选的时效性种子页没有发生跳转行为，则对候选的时效性种子页面验证不通过；若候选的时效性种子页跳转到第三页面，解析第三页面的网址信息，判断第三页面的网址信息是否包含最新的时间标志以及候选的时效性种子页面和第三页面是否属于同一个站点，若判断结果均为是，则对候选的时效性种子页面验证通过。
举例来说，网络爬虫抓取网页的时间为2014年3月7日，以一个预设时间段为1天为例，则进行第二次抓取的时间为2014年3月8日。网络爬虫于2014年3月8日对步骤S230中判断为候选的时效性种子页面的第一页面http://newspaper.abc.cn/xxxcb进行第二次抓取，判断第一页面是否跳转到第三页面http://newspaper.abc.cn/xxxcb/html/2014-03/08/node_25.htm，若第一页面没有发生跳转行为，则对第一页面验证不通过，返回步骤S200；若第一页面跳转到第三页面，解析第三页面的网址信息，判断第三页面的网址信息是否包含最新的时间标志以及第一页面和第三页面是否属于同一个站点，若判断结果均为是，则对候选的时效性种子页面验证通过，第一页面可以作为时效性种子页面。该步骤中对于最新的时间标志的定义以及判断第一页面和第三页面是否属于同一个站点的方法与步骤S210中的类似，在此不再赘述。
步骤S250，收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定时效性种子页面对应的网址信息模板，以供网络爬虫根据时效性种子页面对应的网址信息模板抓取页面。
具体地，收集与步骤S230中验证通过的第一页面的urlA具有相同形式的内链，例如，http://newspaper.abc.cn/xxxcb/html/2014-03/09/node_26.htm
http://newspaper.abc.cn/xxxcb/html/2014-03/10/node_27.htm
http://newspaper.abc.cn/xxxcb/html/2014-03/10/node_28.htm
根据这些内链确定第一页面对应的网址信息模板，即时效性种子页面对应的网址信息模板。其中，时效性种子页面对应的网址信息模板包括：验证通过的时效性种子页的网址信息与内链的共同部分以及通配符，通配符是由验证通过的时效性种子页的网址信息与内链的不同部分而确定的，包含时间通配符和版面通配符。
以《XXX晨报》为例，网址信息模板可以表示为http://newspaper.abc.cn/xxxcb/html/****-**/**/node_**.htm，其中，http://newspaper.abc.cn/xxxcb表示验证通过的时效性种子页的网址信息与内链的共同部分，****-**/**/node_**.htm为通配符，其中，****-**/**/为时间通配符部分，node_**.htm为版面通配符部分。
以3月10的时效性种子页面的网址信息http://newspaper.abc.cn/xxxcb/html/2014-03/10/node_27.htm为例，http://newspaper.abc.cn/xxxcb表示验证通过的时效性种子页的网址信息与内链的共同部分，2014-03/10/node_27.htm为通配符部分，其中，2014-03/10表示时间通配符，node_27.htm表示版面通配符。
进一步地，为了更准确地抓取时效性种子页面，网络爬虫可以通过更改通配符生成新的时效性种子页面，对新的时效性种子页面进行抓取。
举例来说，网络爬虫想要抓取2014年3月11日第25版的网页，则可以通将网址信息模板中表示时间的通配符****-**/**/修改为2014年3月11日，将表示版面的通配符node_**.htm修改为node_25.htm，即可抓取得到2014年3月11日第25版的网页。可以通过递进的方式修改表示时间的通配符来获得2014年3月12日、2014年3月13日的网页；通过递进的方式修改表示版面的通配符来获得某一天中不同版面的网页，例如第26版、第27版、第28版。
根据本发明上述实施例提供的方法，通过分析网页抓取日志，提取出由第一页面到第二页面的跳转行为；解析第二页面的网址信息，判断第二页面的网址信息是否包含最新的时间标志以及第一页面和第二页面是否属于同一个站点，若判断结果均为是，则解析第一页面的网址信息，判断第一页面的网址信息是否包含最新的时间标志；若第一页面的网址信息不包含最新的时间标志，并且第二页面的网址信息包含最新的时间标志以及第一页面和第二页面属于同一个站点，将第一页面作为候选的时效性种子页面将第一页面作为候选的时效性种子页面；对候选的时效性种子页面进行验证，收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定时效性种子页面对应的网址信息模板，以供网络爬虫根据时效性种子页面对应的网址信息模板抓取页面。通过解析判断第一页面的网址信息，可以提高对候选的时效性种子页面判断的准确率，根据网址信息模板可以准确抓取页面，而无需解析网页主体便可以识别网页类型，方法简单易实现，准确率高。
图3示出了根据本发明一个实施例的用于挖掘时效性种子页的装置的结构示意图。如图3所示，该装置包括：日志数据库300、分析模块310、解析模块320、验证模块330、抓取模块340。
日志数据库300，适于存储网页抓取日志。
分析模块310，适于分析日志数据库中的抓取日志，提取出由第一页面到第二页面的跳转行为。
跳转是指网页可以由第一页面有效地跳转链接至第二页面。举例来说，由第一页面http://newspaper.abc.cn/xxxcb跳转到第二页面http://newspaper.abc.cn/xxxcb/html/2014-03/07/node_25.htm。
解析模块320，适于解析第二页面的网址信息，判断第二页面的网址信息是否包含最新的时间标志以及第一页面和第二页面是否属于同一个站点，若判断结果均为是，则将第一页面作为候选的时效性种子页面。
其中，网址信息为统一资源定位符（url）。若网络爬虫抓取网页的时间为2014年3月7日，则最新的时间标志可以选自2014年3月7日、2014-03/07、2014/03/07、2014-03-07、2014_03_07、20140307、2014/0307、201403/07以及表示最新时间的字符串中的一种。具体地，将第一页面的网址信息http://newspaper.abc.cn/xxxcb定义为urlA、第二页面的网址信息http://newspaper.abc.cn/xxxcb/html/2014-03/07/node_25.htm定义为urlB，解析urlB，判断urlB是否包含上述最新的时间标志；通过比较urlA和urlB是否有相同的域名来判断第一页面和第二页面是否属于同一个站点。
验证模块330，适于对候选的时效性种子页面进行验证。
通过对候选的时效性种子页面进行验证，确定候选的时效性种子页面能否作为时效性种子页面，主要通过下面的方法进行验证：
通过对候选的时效性种子页面按照预设时段进行第二次抓取，判断候选的时效性种子页面是否跳转到第三页面；若候选的时效性种子页没有发生跳转行为，则对候选的时效性种子页面验证不通过；若候选的时效性种子页跳转到第三页面，解析第三页面的网址信息，判断第三页面的网址信息是否包含最新的时间标志以及候选的时效性种子页面和第三页面是否属于同一个站点，若判断结果均为是，则对候选的时效性种子页面验证通过。
举例来说，网络爬虫抓取网页的时间为2014年3月7日，以一个预设时间段为1天为例，则进行第二次抓取的时间为2014年3月8日。网络爬虫于2014年3月8日对解析模块320中判断为候选的时效性种子页面的第一页面http://newspaper.abc.cn/xxxcb进行第二次抓取，判断第一页面是否跳转到第三页面，若第一页面没有发生跳转行为，则对第一页面验证不通过，返回分析模块310；若第一页面跳转到第三页面http://newspaper.abc.cn/xxxcb/html/2014-03/08/node_25.htm，解析第三页面的网址信息，判断第三页面的网址信息是否包含最新的时间标志以及第一页面和第三页面是否属于同一个站点，若判断结果均为是，则对候选的时效性种子页面验证通过，第一页面可以作为时效性种子页面。该步骤中对于最新的时间标志的定义以及判断第一页面和第三页面是否属于同一个站点的方法与解析模块320中的类似，在此不再赘述。
抓取模块340，适于根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据网址信息模板抓取页面。
抓取模块340进一步适于：收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定时效性种子页面对应的网址信息模板，以供网络爬虫根据时效性种子页面对应的网址信息模板抓取页面。
具体地，收集与步骤S230中验证通过的第一页面的urlA具有相同形式的内链，例如，http://newspaper.abc.cn/xxxcb/html/2014-03/09/node_26.htm
http://newspaper.abc.cn/xxxcb/html/2014-03/10/node_27.htm
http://newspaper.abc.cn/xxxcb/html/2014-03/10/node_28.htm
根据这些内链确定第一页面对应的网址信息模板，即时效性种子页面对应的网址信息模板。其中，时效性种子页面对应的网址信息模板包括：验证通过的时效性种子页的网址信息与内链的共同部分以及通配符，通配符是由验证通过的时效性种子页的网址信息与内链的不同部分而确定的，包含时间通配符和版面通配符。
以《XXX晨报》为例，网址信息模板可以表示为http://newspaper.abc.cn/xxxcb/html/****-**/**/node_**.htm，其中，http://newspaper.abc.cn/xxxcb表示验证通过的时效性种子页的网址信息与内链的共同部分，****-**/**/node_**.htm为通配符，其中，****-**/**/为时间通配符部分，node_**.htm为版面通配符部分。
以3月10的时效性种子页面的网址信息http://newspaper.abc.cn/xxxcb/html/2014-03/10/node_27.htm为例，http://newspaper.abc.cn/xxxcb表示验证通过的时效性种子页的网址信息与内链的共同部分，2014-03/10/node_27.htm为通配符部分，其中，2014-03/10表示时间通配符，node_27.htm表示版面通配符。
进一步地，为了更准确地抓取时效性种子页面，抓取模块340进一步适于：网络爬虫更改通配符生成新的时效性种子页面，对新的时效性种子页面进行抓取。
举例来说，网络爬虫想要抓取2014年3月11日第25版的网页，则可以通过将网址信息模板中表示时间的通配符****-**/**/修改为2014年3月11日，将表示版面的通配符node_**.htm修改为node_25.htm，即可抓取得到2014年3月11日第25版的网页。可以通过递进的方式修改表示时间的通配符来获得2014年3月12日、2014年3月13日的网页；通过递进的方式修改表示版面的通配符来获得某一天中不同版面的网页，例如第26版、第27版、第28版。
进一步地，该装置还包括：判断模块350，适于判断第一页面的网址信息是否包含最新的时间标志；若判断模块判断出第一页面的网址信息不包含最新的时间标志，进一步判断出第二页面的网址信息包含最新的时间标志以及第一页面和第二页面属于同一个站点，将第一页面作为候选的时效性种子页面。
根据本发明上述实施例提供的装置，通过分析网页抓取日志，提取出由第一页面到第二页面的跳转行为；解析第二页面的网址信息，判断第二页面的网址信息是否包含最新的时间标志以及第一页面和第二页面是否属于同一个站点，若判断结果均为是，则解析第一页面的网址信息，判断第一页面的网址信息是否包含最新的时间标志；若第一页面的网址信息不包含最新的时间标志，并且第二页面的网址信息包含最新的时间标志以及第一页面和第二页面属于同一个站点，将第一页面作为候选的时效性种子页面将第一页面作为候选的时效性种子页面；对候选的时效性种子页面进行验证，收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定时效性种子页面对应的网址信息模板，以供网络爬虫根据时效性种子页面对应的网址信息模板抓取页面。通过解析判断第一页面的网址信息，可以提高对候选的时效性种子页面判断的准确率，根据网址信息模板可以准确抓取页面，而无需解析网页主体便可以识别网页类型，方法简单易实现，准确率高。
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用于挖掘时效性种子页的设备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 (16)
1.一种用于挖掘时效性种子页的方法，包括：
分析网页抓取日志，提取出由第一页面到第二页面的跳转行为；
解析所述第二页面的网址信息，判断所述第二页面的网址信息是否包含最新的时间标志以及所述第一页面和所述第二页面是否属于同一个站点，若判断结果均为是，则将所述第一页面作为候选的时效性种子页面；
对所述候选的时效性种子页面进行验证，根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据所述网址信息模板抓取页面。
2.根据权利要求1所述的方法，所述对所述候选的时效性种子页面进行验证进一步包括：
通过对所述候选的时效性种子页面按照预设时段进行第二次抓取，判断所述候选的时效性种子页面是否跳转到第三页面；
若所述候选的时效性种子页没有发生跳转行为，则对所述候选的时效性种子页面验证不通过；
若所述候选的时效性种子页跳转到第三页面，解析所述第三页面的网址信息，判断所述第三页面的网址信息是否包含最新的时间标志以及所述候选的时效性种子页面和所述第三页面是否属于同一个站点，若判断结果均为是，则对所述候选的时效性种子页面验证通过。
3.根据权利要求1或2所述的方法，所述根据验证通过的时效性种子页面确定网址信息模板，以供所述网络爬虫根据所述网址信息模板抓取页面进一步包括：
收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定所述时效性种子页面对应的网址信息模板，以供所述网络爬虫根据所述时效性种子页面对应的网址信息模板抓取页面。
4.根据权利要求1或2所述的方法，在所述将所述第一页面作为候选的时效性种子页面之前还包括：判断第一页面的网址信息是否包含最新的时间标志；
若所述第一页面的网址信息不包含最新的时间标志，并且所述第二页面的网址信息包含最新的时间标志以及所述第一页面和所述第二页面属于同一个站点，将所述第一页面作为候选的时效性种子页面。
5.根据权利要求3所述的方法，所述时效性种子页面对应的网址信息模板包括：所述验证通过的时效性种子页的网址信息与所述内链的共同部分以及通配符，所述通配符是由所述验证通过的时效性种子页的网址信息与所述内链的不同部分而确定的。
6.根据权利要求5所述的方法，所述通配符包含时间通配符和版面通配符。
7.根据权利要求6所述的方法，所述网络爬虫根据所述时效性种子页面对应的网址信息模板抓取页面进一步包括：所述网络爬虫更改所述通配符生成新的时效性种子页面，对所述新的时效性种子页面进行抓取。
8.根据权利要求1或2所述的方法，所述网址信息为统一资源定位符。
9.一种用于挖掘时效性种子页的装置，包括：
日志数据库，适于存储网页抓取日志；
分析模块，适于分析所述日志数据库中的抓取日志，提取出由第一页面到第二页面的跳转行为；
解析模块，适于解析所述第二页面的网址信息，判断所述第二页面的网址信息是否包含最新的时间标志以及所述第一页面和所述第二页面是否属于同一个站点，若判断结果均为是，则将所述第一页面作为候选的时效性种子页面；
验证模块，适于对所述候选的时效性种子页面进行验证；
抓取模块，适于根据验证通过的时效性种子页面确定网址信息模板，以供网络爬虫根据所述网址信息模板抓取页面。
10.根据权利要求9所述的装置，所述验证模块进一步适于：
通过对所述候选的时效性种子页面按照预设时段进行第二次抓取，判断所述候选的时效性种子页面是否跳转到第三页面；
若所述候选的时效性种子页没有发生跳转行为，则对所述候选的时效性种子页面验证不通过；
若所述候选的时效性种子页跳转到第三页面，解析所述第三页面的网址信息，判断所述第三页面的网址信息是否包含最新的时间标志以及所述候选的时效性种子页面和所述第三页面是否属于同一个站点，若判断结果均为是，则对所述候选的时效性种子页面验证通过。
11.根据权利要求9或10所述的装置，所述抓取模块进一步适于：
收集与验证通过的时效性种子页面的网址信息具有相同形式的内链，确定所述时效性种子页面对应的网址信息模板，以供所述网络爬虫根据所述时效性种子页面对应的网址信息模板抓取页面。
12.根据权利要求9或10所述的装置，所述装置还包括：判断模块，适于判断第一页面的网址信息是否包含最新的时间标志；
若所述判断模块判断出所述第一页面的网址信息不包含最新的时间标志，进一步判断出所述第二页面的网址信息包含最新的时间标志以及所述第一页面和所述第二页面属于同一个站点，将所述第一页面作为候选的时效性种子页面。
13.根据权利要求11所述的装置，所述时效性种子页面对应的网址信息模板包括：所述验证通过的时效性种子页的网址信息与所述内链的共同部分以及通配符，所述通配符是由所述验证通过的时效性种子页的网址信息与所述内链的不同部分而确定的。
14.根据权利要求13所述的装置，所述通配符包含时间通配符和版面通配符。
15.根据权利要求14所述的装置，所述抓取模块进一步适于：所述网络爬虫更改所述通配符生成新的时效性种子页面，对所述新的时效性种子页面进行抓取。
16.根据权利要求9或10所述的装置，所述网址信息为统一资源定位符。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410105792.9A CN103838865B (zh) | 2014-03-20 | 2014-03-20 | 用于挖掘时效性种子页的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410105792.9A CN103838865B (zh) | 2014-03-20 | 2014-03-20 | 用于挖掘时效性种子页的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103838865A CN103838865A (zh) | 2014-06-04 |
| CN103838865B true CN103838865B (zh) | 2017-04-05 |
Family
ID=50802361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410105792.9A Active CN103838865B (zh) | 2014-03-20 | 2014-03-20 | 用于挖掘时效性种子页的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103838865B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008213B (zh) * | 2014-06-24 | 2017-11-28 | 电子科技大学 | 一种网页信息更新发现与统计的方法和装置 |
| CN104182485B (zh) * | 2014-08-08 | 2018-01-12 | 北京奇虎科技有限公司 | 重启用站点的收录方法和系统 |
| CN104484382A (zh) * | 2014-12-10 | 2015-04-01 | 北京奇虎科技有限公司 | 生成时效性种子页集合的方法和装置 |
| CN104462493B (zh) * | 2014-12-18 | 2018-08-03 | 北京奇虎科技有限公司 | 抓取问答类网页的方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054004A (zh) * | 2009-11-04 | 2011-05-11 | 清华大学 | 一种网页推荐方法和装置 |
| CN102999634A (zh) * | 2012-12-18 | 2013-03-27 | 百度在线网络技术（北京）有限公司 | 基于浏览器数据的用户导航推荐方法、系统及云端服务器 |
| CN102999572A (zh) * | 2012-11-09 | 2013-03-27 | 同济大学 | 用户行为模式挖掘系统及其方法 |
| CN103530364A (zh) * | 2013-10-12 | 2014-01-22 | 北京搜狗信息服务有限公司 | 提供下载链接的方法及系统 |
-
2014
- 2014-03-20 CN CN201410105792.9A patent/CN103838865B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054004A (zh) * | 2009-11-04 | 2011-05-11 | 清华大学 | 一种网页推荐方法和装置 |
| CN102999572A (zh) * | 2012-11-09 | 2013-03-27 | 同济大学 | 用户行为模式挖掘系统及其方法 |
| CN102999634A (zh) * | 2012-12-18 | 2013-03-27 | 百度在线网络技术（北京）有限公司 | 基于浏览器数据的用户导航推荐方法、系统及云端服务器 |
| CN103530364A (zh) * | 2013-10-12 | 2014-01-22 | 北京搜狗信息服务有限公司 | 提供下载链接的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103838865A (zh) | 2014-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103559235B (zh) | 一种在线社交网络恶意网页检测识别方法 | |
| US20150128272A1 (en) | System and method for finding phishing website | |
| US20170078327A1 (en) | System and method for identifying phishing website | |
| CN103279710B (zh) | Internet信息系统恶意代码的检测方法和系统 | |
| CN110177114A (zh) | 网络安全威胁指标识别方法、设备、装置以及计算机可读存储介质 | |
| WO2014101783A1 (en) | Method and server for performing cloud detection for malicious information | |
| CN107437026B (zh) | 一种基于广告网络拓扑的恶意网页广告检测方法 | |
| US11263062B2 (en) | API mashup exploration and recommendation | |
| CN105095067A (zh) | 用户界面元素对象识别及自动化测试的方法和装置 | |
| CN109104421B (zh) | 一种网站内容篡改检测方法、装置、设备及可读存储介质 | |
| CN105653949B (zh) | 一种恶意程序检测方法及装置 | |
| CN110427755A (zh) | 一种识别脚本文件的方法及装置 | |
| CN103838865B (zh) | 用于挖掘时效性种子页的方法及装置 | |
| CN105302815B (zh) | 网页的统一资源定位符url的过滤方法和装置 | |
| CN107341399A (zh) | 评估代码文件安全性的方法及装置 | |
| CN103399872B (zh) | 对网页抓取进行优化的方法和装置 | |
| CN103455758A (zh) | 恶意网站的识别方法及装置 | |
| CN114528457B (zh) | Web指纹检测方法及相关设备 | |
| CN108985064A (zh) | 一种识别恶意文档的方法及装置 | |
| CN104462985A (zh) | bat漏洞的检测方法以及装置 | |
| CN103617390A (zh) | 一种恶意网页判断方法、装置和系统 | |
| CN112148956A (zh) | 一种基于机器学习的暗网威胁情报挖掘系统和方法 | |
| CN102073678A (zh) | 一种网站信息分析系统及其方法 | |
| CN103617225B (zh) | 一种关联网页搜索方法和系统 | |
| CN108183902A (zh) | 一种恶意网站的识别方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220714 Address after: Room 801, 8th floor, No. 104, floors 1-19, building 2, yard 6, Jiuxianqiao Road, Chaoyang District, Beijing 100015 Patentee after: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Address before: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park) Patentee before: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Patentee before: Qizhi software (Beijing) Co.,Ltd. |