CN110309403B - 用于抓取数据的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于抓取数据的方法和装置。该方法的一具体实施方式包括：基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合；接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，其中，目标客户端为所述客户端集合中的、当前可用的客户端；基于所述任务索引列表集合和所述任务详情列表集合生成数据地址列表，以及将所述数据地址列表发送给所述目标客户端，以供所述目标客户端根据所述数据地址列表抓取数据；接收所述目标客户端针对所述数据地址列表返回的抓取结果数据。该实施方式提高了数据抓取的效率和稳定性。

Description

用于抓取数据的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于抓取数据的方法和装置。

背景技术

随着互联网技术的飞速发展，网络上的信息日新月异，并呈报爆炸式增长，为了更好的进行数据分析，通常需要从网页中抓取数据。现阶段，可以通过运行有数据抓取程序的数据抓取客户端访问网页并抓取数据，在抓取数据时，如果仅使用单一的数据抓取客户端进行数据抓取，会出现抓取任务频率过高导致网络拥塞，数据抓取速度慢等问题。

发明内容

本申请实施例提出了用于抓取数据的方法和装置。

第一方面，本申请实施例提供了一种用于抓取数据的方法，包括：基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合，其中，数据抓取任务信息包括至少一个数据地址和抓取优先级，上述任务索引列表集合中的任务索引列表包括任务标识符和抓取状态，上述任务详情列表集合中的任务详情列表包括任务标识符、数据地址和抓取优先级；接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，其中，目标客户端为上述客户端集合中的、当前可用的客户端；基于上述任务索引列表集合和上述任务详情列表集合生成数据地址列表，以及将上述数据地址列表发送给上述目标客户端，以供上述目标客户端根据上述数据地址列表抓取数据；接收上述目标客户端针对上述数据地址列表返回的抓取结果数据。

在一些实施例中，上述方法还包括：响应于上述数据地址列表发送完成，更新上述任务索引列表集合中的目标任务索引列表和上述任务详情列表集合中的目标任务详情列表中的信息，其中，上述目标任务详情列表为上述任务详情列表集合中的、包括上述数据地址列表中的数据地址的任务详情列表，上述目标任务索引列表为上述任务索引列表集合中的、与上述目标任务详情列表的任务标识符相同的任务索引列表。

在一些实施例中，上述更新上述任务索引列表集合和上述任务详情列表集合中的目标任务索引列表和目标任务详情列表中的信息，包括：将上述目标任务索引列表中的抓取状态更新为“抓取中”，时间更新为接收上述数据抓取任务信息的时间；将上述目标任务详情列表中的时间更新为发送上述数据地址列表的时间，最后一次抓取时间更新为当前时间。

在一些实施例中，在接收上述目标客户端针对上述数据地址列表返回的抓取结果数据之后，上述方法还包括：响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务未超时，对上述目标任务索引列表和上述目标任务详情列表进行如下更新：将上述目标任务索引列表中的抓取状态更新为“完成”；根据上述目标客户端返回的抓取结果数据更新上述目标任务详情列表中的文件路径和抓取结果，以及将上述目标任务详情列表中的MAC地址更新为上述目标客户端的MAC地址。

在一些实施例中，上述方法还包括：响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务超时，丢弃上述目标客户端针对上述数据地址列表返回的抓取结果数据，以及将上述目标任务索引列表中的抓取状态更新为“待抓取”。

在一些实施例中，上述基于上述任务索引列表集合和上述任务详情列表集合生成数据地址列表，包括：选取上述任务索引列表集合中的、抓取状态为“待抓取”和“超时”的任务索引列表组成第一任务索引列表集合；选取上述任务详情列表集合中的、与上述第一任务索引列表集合中的第一任务索引列表的任务标识符相同的任务详情列表组成第一任务详情列表集合；基于上述第一任务详情列表集合中的各第一任务详情列表中的抓取优先级和数据地址生成数据地址列表，其中，上述数据地址列表中的各数据地址对应的第一任务详情列表包括相同的任务标识符。

在一些实施例中，上述方法还包括：间隔设定时长查询上述任务索引列表集合中抓取状态为“抓取中”的第一目标任务索引列表；根据上述第一目标任务索引列表中的任务标识符从上述任务详情列表集合中确定第一目标任务详情列表；基于当前时间和上述第一目标任务详情列表中的最后一次抓取时间确定上述第一目标任务索引列表对应的抓取任务是否超时；响应于确定上述第一目标任务索引列表对应的抓取任务超时，将上述第一目标任务索引列表中的抓取状态修改为“超时”。

在一些实施例中，上述基于当前时间和上述第一目标任务详情列表的最后一次抓取时间确定上述第一目标任务索引列表对应的抓取任务是否超时，包括：计算上述第一目标任务详情列表中的最后一次抓取时间与当前时间的时间差；将上述时间差与预先设定的时间阈值进行比较；响应于确定上述时间差大于上述时间阈值，确定上述第一目标任务索引列表对应的抓取任务超时。

在一些实施例中，上述方法还包括：响应于确定上述第一目标任务索引列表对应的抓取任务超时，丢弃当前执行上述第一目标任务索引列表对应的抓取任务的客户端针对上述第一目标任务索引列表对应的抓取任务上传的数据。

第二方面，本申请实施例提供了一种用于抓取数据的装置，包括：建立单元，用于基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合，其中，数据抓取任务信息包括至少一个数据地址和抓取优先级，上述任务索引列表集合中的任务索引列表包括任务标识符和抓取状态，上述任务详情列表集合中的任务详情列表包括任务标识符、数据地址和抓取优先级；第一接收单元，用于接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，其中，目标客户端为上述客户端集合中的、当前可用的客户端；生成单元，用于基于上述任务索引列表集合和上述任务详情列表集合生成数据地址列表，以及将上述数据地址列表发送给上述目标客户端，以供上述目标客户端根据上述数据地址列表抓取数据；第二接收单元，用于接收上述目标客户端针对上述数据地址列表返回的抓取结果数据。

在一些实施例中，上述装置还包括：第一更新单元，用于响应于上述数据地址列表发送完成，更新上述任务索引列表集合中的目标任务索引列表和上述任务详情列表集合中的目标任务详情列表中的信息，其中，上述目标任务详情列表为上述任务详情列表集合中的、包括上述数据地址列表中的数据地址的任务详情列表，上述目标任务索引列表为上述任务索引列表集合中的、与上述目标任务详情列表的任务标识符相同的任务索引列表。

在一些实施例中，上述第一更新单元进一步用于：将上述目标任务索引列表中的抓取状态更新为“抓取中”，时间更新为接收上述数据抓取任务信息的时间；将上述目标任务详情列表中的时间更新为发送上述数据地址列表的时间，最后一次抓取时间更新为当前时间。

在一些实施例中，上述装置还包括第二更新单元，上述第二更新单元用于：响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务未超时，对上述目标任务索引列表和上述目标任务详情列表进行如下更新：将上述目标任务索引列表中的抓取状态更新为“完成”；根据上述目标客户端返回的抓取结果数据更新上述目标任务详情列表中的文件路径和抓取结果，以及将上述目标任务详情列表中的MAC地址更新为上述目标客户端的MAC地址。

在一些实施例中，上述装置还包括：第一丢弃单元，用于响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务超时，丢弃上述目标客户端针对上述数据地址列表返回的抓取结果数据，以及将上述目标任务索引列表中的抓取状态更新为“待抓取”。

在一些实施例中，上述生成单元进一步用于：选取上述任务索引列表集合中的、抓取状态为“待抓取”和“超时”的任务索引列表组成第一任务索引列表集合；选取上述任务详情列表集合中的、与上述第一任务索引列表集合中的第一任务索引列表的任务标识符相同的任务详情列表组成第一任务详情列表集合；基于上述第一任务详情列表集合中的各第一任务详情列表中的抓取优先级和数据地址生成数据地址列表，其中，上述数据地址列表中的各数据地址对应的第一任务详情列表包括相同的任务标识符。

在一些实施例中，上述装置还包括：查询单元，用于间隔设定时长查询上述任务索引列表集合中抓取状态为“抓取中”的第一目标任务索引列表；第一确定单元，用于根据上述第一目标任务索引列表中的任务标识符从上述任务详情列表集合中确定第一目标任务详情列表；第二确定单元，用于基于当前时间和上述第一目标任务详情列表中的最后一次抓取时间确定上述第一目标任务索引列表对应的抓取任务是否超时；修改单元，用于响应于确定上述第一目标任务索引列表对应的抓取任务超时，将上述第一目标任务索引列表中的抓取状态修改为“超时”。

在一些实施例中，上述第二确定单元进一步用于：计算上述第一目标任务详情列表中的最后一次抓取时间与当前时间的时间差；将上述时间差与预先设定的时间阈值进行比较；响应于确定上述时间差大于上述时间阈值，确定上述第一目标任务索引列表对应的抓取任务超时。

在一些实施例中，上述装置还包括：第二丢弃单元，用于响应于确定上述第一目标任务索引列表对应的抓取任务超时，丢弃当前执行上述第一目标任务索引列表对应的抓取任务的客户端针对上述第一目标任务索引列表对应的抓取任务上传的数据。

第三方面，本申请实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于抓取数据的方法和装置，首先基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合，而后接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，然后基于任务索引列表集合和任务详情列表集合生成数据地址列表，并将数据地址列表发送给目标客户端，以供目标客户端根据数据地址列表抓取数据，最后接收目标客户端针对数据地址列表返回的抓取结果数据，从而实现了将数据抓取任务分发到包括至少一个客户端的客户端集合，通过客户端集合中的至少一个客户端进行数据抓取，因此，避免了使用单一的数据抓取客户端进行数据抓取，从而提高了数据抓取的效率和稳定性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于抓取数据的方法的一个实施例的流程图；

图3是根据本申请的用于抓取数据的方法的一个应用场景的示意图；

图4是根据本申请的用于抓取数据的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于抓取数据的方法或用于抓取数据的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括第一终端设备101，第二终端设备102、网络103、网络104和服务器105。网络103用以在第一终端设备101和第二终端设备102之间提供通信链路的介质。网络104用以在第二终端设备102和服务器105之间提供通信链路的介质。网络103和网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

第一终端设备101和第二终端设备102可以采用一对多的形式进行相互通信，其中，第二终端设备102可以有任意多个，即一个第一终端设备101对应多个第二终端设备102。

用户可以通过第一终端设备101输入信息，第一终端设备101可以通过网络103与第二终端设备102交互，以接收或发送信息等。第二终端设备102可以通过网络104与服务器105交互，以抓取网络数据。第二终端设备102上可以安装有用于抓取数据的程序，例如，网络爬虫。

第一终端设备101可以是具有显示屏并且支持用户信息输入的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

第二终端设备102可以是能够运行数据抓取程序的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对网络数据提供支持的后台网页服务器。

需要说明的是，本申请实施例所提供的用于抓取数据的方法一般由第一终端设备101执行，相应地，用于抓取数据的装置一般设置于第一终端设备101中。

在本申请实施例中，可以同时部署多套系统架构100进行数据抓取。应该理解，图1中的第一终端设备、第二终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的第一终端设备、第二终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于抓取数据的方法的一个实施例的流程200。该用于抓取数据的方法，包括以下步骤：

步骤201，基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合。

在本实施例中，用于抓取数据的方法运行于其上的电子设备(例如图1所示的第一终端设备101)可以接收用户输入的数据抓取任务信息，其中，数据抓取任务信息可以包括至少一个数据地址和抓取优先级，其中，数据地址可以用于表示待抓取数据在互联网上的位置，实践中，数据地址可以由统一资源定位符(Uniform Resource Locator，URL)来表示。抓取优先级可以用于表示对上述至少一个数据地址对应的待抓取数据进行抓取的优先等级。

对于接收到的每一条数据抓取任务信息，上述电子设备可以生成针对该数据抓取任务信息的任务索引列表和任务详情列表。在这里，任务索引列表中可以包括任务标识符(或任务ID)和抓取状态，其中，任务标识符可以是上述电子设备针对该数据抓取任务信息生成的、可以唯一标识该数据抓取任务信息所对应的数据抓取任务的标识符。抓取状态可以表示该数据抓取任务信息所对应的数据抓取任务当前所处的状态，作为示例，抓取状态可以包括待抓取、抓取中、完成、超时、取消等等。任务详情列表可以包括任务标识符、数据地址和抓取优先级。作为一种实现方式，针对该数据抓取任务信息，上述电子设备可以建立一个任务索引列表和多个任务详情列表，且上述一个任务索引列表与上述多个任务详情列表的任务标识符相同，其中，各任务详情列表中可以包含一个数据地址，且各任务详情列表所包含的数据地址各不相同，任务详情列表的数量与该数据抓取任务信息中所包含的数据地址的数量相同。

作为示例，任务索引列表中除了包括任务标识符(或任务ID)和抓取状态之外，还可以包括以下信息：时间，用于记录接收数据抓取任务信息的时间；结果，用于记录数据抓取任务对应的至少一个数据地址。任务详情列表中除了包括任务标识符、数据地址和抓取优先级之外可以包括以下信息：时间，用于记录数据抓取任务开始执行的时间，即数据抓取任务分发到抓取数据的客户端的时间；最后一次抓取时间，用于记录最后一次抓取数据的时间；MAC地址(Media Access Control地址，物理地址)，用于记录实际抓取数据的设备对应的物理网卡地址；文件路径，用于记录抓取得到的数据在本地存储的位置；抓取结果，用于记录抓取得到的数据。应该理解，最初创建的任务索引列表和任务详情列表中的某些信息可以默认为空。例如，上述电子设备接收到一条数据抓取任务信息，该数据抓取任务信息包括数据地址：URL1和URL2，以及优先级：中等。上述电子设备可以根据该数据抓取任务信息建立一个任务索引列表(如表1所示)和二个任务详情列表(如表2和表3所示)。

表1：

名称
	任务标识符：A
抓取状态：待抓取
	时间：xxxxxxx
结果：URL1；URL1

需要指出的是，表1、表2、表3中记录的信息仅仅是示意性的，而非对所记录信息种类的限定。实际使用中，可以根据实际需要记录其他的种类的信息。

多条数据抓取任务信息生成的任务索引列表和任务详情列表可以组成任务索引列表集合和任务详情列表集合。

步骤202，接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求。

在本实施例中，上述电子设备可以接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求。上述客户端集合中的客户端可以是硬件，也可以是软件。当客户端为硬件时，可以是指能够运行数据抓取程序的各种电子设备(例如图1所示的第二终端设备102)；当客户端为软件时，可以是指数据抓取程序。上述目标客户端可以是上述客户端集合中的、当前可用的客户端，在这里，当前可用的客户端可以是指当前时刻没有执行数据抓取任务的客户端。

在这里，针对上述电子设备可以预先设置包括至少一个客户端的客户端集合，上述电子设备可以将数据抓取任务分布式的分散到上述客户端集合中的客户端，以便提高数据抓取效率。作为示例，上述电子设备和与其对应的客户端集合中的客户端中可以存储相同的标识符，例如，可以是相同的分组号，客户端可以通过存储的标识符确定其对应的、用于分发数据抓取任务的电子设备，以便向确定的电子设备发送数据地址获取请求。一般，当客户端执行上一个数据抓取任务结束后，可以向与其标识符相同的、用于分发数据抓取任务的电子设备发送数据地址获取请求，以获取数据地址，以便执行下一个数据抓取任务。

步骤203，基于任务索引列表集合和任务详情列表集合生成数据地址列表，以及将数据地址列表发送给目标客户端，以供目标客户端根据数据地址列表抓取数据。

在本实施例中，上述电子设备可以基于上述任务索引列表集合和上述任务详情列表集合生成数据地址列表，作为示例，首先，上述电子设备可以随机选取上述任务索引列表集合中的、抓取状态为“待抓取”的一个任务索引列表；之后，根据所选取的任务索引列表所对应的至少一个任务详情列表中的数据地址生成数据地址列表。上述电子设备还可以将生成的上述数据地址列表发送给上述目标客户端，以供上述目标客户端根据数据地址列表抓取数据。

在本实施例的一些可选的实现方式中，上述步骤203中，基于任务索引列表集合和任务详情列表集合生成数据地址列表，可以具体包括：首先，上述电子设备可以选取上述任务索引列表集合中的、抓取状态为“待抓取”和“超时”的任务索引列表组成第一任务索引列表集合；之后，上述电子设备可以选取上述任务详情列表集合中的、与上述第一任务索引列表集合中的第一任务索引列表的任务标识符相同的任务详情列表组成第一任务详情列表集合；最后，基于上述第一任务详情列表集合中的各第一任务详情列表中的抓取优先级和数据地址生成数据地址列表，其中，上述数据地址列表中的各数据地址对应的第一任务详情列表包括相同的任务标识符。作为示例，上述电子设备可以按抓取优先级从高到低的顺序选取数据地址生成数据地址列表。

在本实施例的一些可选的实现方式中，响应于上述数据地址列表发送完成，上述电子设备可以更新上述任务索引列表集合中的目标任务索引列表和上述任务详情列表集合中的目标任务详情列表中的信息，其中，上述目标任务详情列表为上述任务详情列表集合中的、包括上述数据地址列表中的数据地址的任务详情列表，上述目标任务索引列表为上述任务索引列表集合中的、与上述目标任务详情列表的任务标识符相同的任务索引列表。

在一些可选的实现方式中，上述更新上述任务索引列表集合中的目标任务索引列表和上述任务详情列表集合中的目标任务详情列表中的信息，可以具体包括：首先，上述电子设备可以将上述目标任务索引列表中的抓取状态更新为“抓取中”，时间更新为接收所述数据抓取任务信息的时间。之后，上述电子设备可以将上述目标任务详情列表中的时间更新为发送上述数据地址列表的时间，最后一次抓取时间更新为当前时间。

步骤204，接收目标客户端针对数据地址列表返回的抓取结果数据。

在本实施例中，上述电子设备可以接收上述目标客户端针对上述数据地址列表返回的抓取结果数据。在一些情况下，为了便于数据传输，上述目标客户端会将抓取结果数据压缩后再发送给上述电子设备，此时，上述电子设备需要将接收到的压缩数据进行解压缩。

在一些可选的实现方式中，上述步骤204之后，上述电子设备还可以执行以下操作：上述电子设备可以判断针对上述数据地址列表的数据抓取任务是否超时，例如，上述电子设备可以根据当前时间和数据抓取任务开始执行的时间判断数据抓取任务是否超时；响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务未超时，上述电子设备可以对上述目标任务索引列表和上述目标任务详情列表进行如下更新：首先，上述电子设备可以将上述目标任务索引列表中的抓取状态更新为“完成”；之后，上述电子设备可以根据上述目标客户端返回的抓取结果数据更新上述目标任务详情列表中的文件路径和抓取结果，以及将上述目标任务详情列表中的MAC地址更新为上述目标客户端的MAC地址。

可选的，上述方法还可以包括，响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务超时，上述电子设备可以丢弃上述目标客户端针对上述数据地址列表返回的抓取结果数据，以及将上述目标任务索引列表中的抓取状态更新为“待抓取”，即将上述数据地址列表对应的数据抓取任务进行重新分配。

在本实施例的一些可选的实现方式中，上述方法还可以包括以下步骤：S1，上述电子设备可以间隔设定时长查询上述任务索引列表集合中抓取状态为“抓取中”的第一目标任务索引列表，在这里，上述设定时长可以根据实际需要进行设定。S2，上述电子设备可以根据上述第一目标任务索引列表中的任务标识符从上述任务详情列表集合中确定第一目标任务详情列表，例如，可以将上述任务详情列表集合中的、与第一目标任务索引列表的任务标识符相同的任务详情列表确定为第一目标任务详情列表。S3，上述电子设备可以基于当前时间和上述第一目标任务详情列表中的最后一次抓取时间确定上述第一目标任务索引列表对应的抓取任务是否超时。S4，响应于确定上述第一目标任务索引列表对应的抓取任务超时，将上述第一目标任务索引列表中的抓取状态修改为“超时”。

在一些可选的实现方式中，上述方法还可以包括步骤S5，响应于确定上述第一目标任务索引列表对应的抓取任务超时，上述电子设备可以丢弃当前执行上述第一目标任务索引列表对应的抓取任务的客户端针对上述第一目标任务索引列表对应的抓取任务上传的数据。

在一些可选的实现方式中，上述步骤S3，基于当前时间和上述第一目标任务详情列表中的最后一次抓取时间确定上述第一目标任务索引列表对应的抓取任务是否超时，可以具体包括：首先，上述电子设备可以计算上述第一目标任务详情列表中的最后一次抓取时间与当前时间的时间差。之后，上述电子设备可以将上述时间差与预先设定的时间阈值进行比较，在这里，上述时间阈值可以根据抓取数据的客户端的实际网络状况进行设定。最后，响应于确定上述时间差大于上述时间阈值，上述电子设备可以确定上述第一目标任务索引列表对应的抓取任务超时。

继续参见图3，图3是根据本实施例的用于抓取数据的方法的应用场景的一个示意图。在图3的应用场景中，终端设备301基于用户发送的数据抓取任务信息建立任务索引列表集合和任务详情列表集合；之后，第一终端设备301接收客户端集合中的目标客户端302发送的数据地址获取请求；然后，终端设备301基于任务索引列表集合和任务详情列表集合生成数据地址列表，其中，数据地址列表中包括URL1分隔符URL2分隔符URL3…分隔符URLn，以及将生成的数据地址列表发送给目标客户端302，以供目标客户端302根据上述数据地址列表中的数据地址到相应的服务器303抓取数据。最后，终端设备301可以接收所述目标客户端针对所述数据地址列表返回的抓取结果数据。

本申请的上述实施例提供的方法通过将数据抓取任务分发到包括至少一个客户端的客户端集合，通过客户端集合中的至少一个客户端进行分布式的数据抓取，因此，避免了使用单一的数据抓取客户端进行数据抓取，从而提高了数据抓取的效率和稳定性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于抓取数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于抓取数据的装置400包括：建立单元401、第一接收单元402、生成单元403和第二接收单元404。其中，建立单元401用于基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合，其中，数据抓取任务信息包括至少一个数据地址和抓取优先级，上述任务索引列表集合中的任务索引列表包括任务标识符和抓取状态，上述任务详情列表集合中的任务详情列表包括任务标识符、数据地址和抓取优先级；第一接收单元402用于接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，其中，目标客户端为上述客户端集合中的、当前可用的客户端；生成单元403用于基于上述任务索引列表集合和上述任务详情列表集合生成数据地址列表，以及将上述数据地址列表发送给上述目标客户端，以供上述目标客户端根据上述数据地址列表抓取数据；第二接收单元404用于接收上述目标客户端针对上述数据地址列表返回的抓取结果数据。

在本实施例中，用于抓取数据的装置400的建立单元401、第一接收单元402、生成单元403和第二接收单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置400还可以包括：第一更新单元(图中未示出)，用于响应于上述数据地址列表发送完成，更新上述任务索引列表集合中的目标任务索引列表和上述任务详情列表集合中的目标任务详情列表中的信息，其中，上述目标任务详情列表为上述任务详情列表集合中的、包括上述数据地址列表中的数据地址的任务详情列表，上述目标任务索引列表为上述任务索引列表集合中的、与上述目标任务详情列表的任务标识符相同的任务索引列表。

在本实施例的一些可选的实现方式中，上述第一更新单元可以进一步用于：将上述目标任务索引列表中的抓取状态更新为“抓取中”，时间更新为接收上述数据抓取任务信息的时间；将上述目标任务详情列表中的时间更新为发送上述数据地址列表的时间，最后一次抓取时间更新为当前时间。

在本实施例的一些可选的实现方式中，上述装置400还可以包括第二更新单元(图中未示出)，上述第二更新单元用于：响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务未超时，对上述目标任务索引列表和上述目标任务详情列表进行如下更新：将上述目标任务索引列表中的抓取状态更新为“完成”；根据上述目标客户端返回的抓取结果数据更新上述目标任务详情列表中的文件路径和抓取结果，以及将上述目标任务详情列表中的MAC地址更新为上述目标客户端的MAC地址。

在本实施例的一些可选的实现方式中，上述装置400还可以包括：第一丢弃单元(图中未示出)，用于响应于确定上述目标客户端针对上述数据地址列表的数据抓取任务超时，丢弃上述目标客户端针对上述数据地址列表返回的抓取结果数据，以及将上述目标任务索引列表中的抓取状态更新为“待抓取”。

在本实施例的一些可选的实现方式中，上述生成单元403可以进一步用于：选取上述任务索引列表集合中的、抓取状态为“待抓取”和“超时”的任务索引列表组成第一任务索引列表集合；选取上述任务详情列表集合中的、与上述第一任务索引列表集合中的第一任务索引列表的任务标识符相同的任务详情列表组成第一任务详情列表集合；基于上述第一任务详情列表集合中的各第一任务详情列表中的抓取优先级和数据地址生成数据地址列表，其中，上述数据地址列表中的各数据地址对应的第一任务详情列表包括相同的任务标识符。

在本实施例的一些可选的实现方式中，上述装置400还可以包括：查询单元(图中未示出)，用于间隔设定时长查询上述任务索引列表集合中抓取状态为“抓取中”的第一目标任务索引列表；第一确定单元(图中未示出)，用于根据上述第一目标任务索引列表中的任务标识符从上述任务详情列表集合中确定第一目标任务详情列表；第二确定单元(图中未示出)，用于基于当前时间和上述第一目标任务详情列表中的最后一次抓取时间确定上述第一目标任务索引列表对应的抓取任务是否超时；修改单元(图中未示出)，用于响应于确定上述第一目标任务索引列表对应的抓取任务超时，将上述第一目标任务索引列表中的抓取状态修改为“超时”。

在本实施例的一些可选的实现方式中，上述第二确定单元可以进一步用于：计算上述第一目标任务详情列表中的最后一次抓取时间与当前时间的时间差；将上述时间差与预先设定的时间阈值进行比较；响应于确定上述时间差大于上述时间阈值，确定上述第一目标任务索引列表对应的抓取任务超时。

在本实施例的一些可选的实现方式中，上述装置400还可以包括：第二丢弃单元(图中未示出)，用于响应于确定上述第一目标任务索引列表对应的抓取任务超时，丢弃当前执行上述第一目标任务索引列表对应的抓取任务的客户端针对上述第一目标任务索引列表对应的抓取任务上传的数据。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括建立单元、第一接收单元、生成单元和第二接收单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，建立单元还可以被描述为“基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：基于接收到的数据抓取任务信息建立任务索引列表集合和任务详情列表集合，其中，数据抓取任务信息包括至少一个数据地址和抓取优先级，上述任务索引列表集合中的任务索引列表包括任务标识符和抓取状态，上述任务详情列表集合中的任务详情列表包括任务标识符、数据地址和抓取优先级；接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，其中，目标客户端为上述客户端集合中的、当前可用的客户端；基于上述任务索引列表集合和上述任务详情列表集合生成数据地址列表，以及将上述数据地址列表发送给上述目标客户端，以供上述目标客户端根据上述数据地址列表抓取数据；接收上述目标客户端针对上述数据地址列表返回的抓取结果数据。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (20)

1.一种用于抓取数据的方法，包括：

基于接收到的多条数据抓取任务信息建立任务索引列表集合和任务详情列表集合，其中，多条数据抓取任务信息中的该数据抓取任务信息包括至少一个数据地址和抓取优先级，所述任务索引列表集合中的任务索引列表包括任务标识符和抓取状态，抓取状态表示数据抓取任务信息所对应的数据抓取任务当前所处的状态，所述任务详情列表集合中的任务详情列表包括任务标识符、数据地址和抓取优先级，针对该数据抓取任务信息，所述任务详情列表集合中的一个任务详情列表与所述任务索引列表集合中的多个任务索引列表的任务标识符相同，所述抓取优先级用于表示对所述至少一个数据地址对应的待抓取数据进行抓取的优先等级；

接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，其中，目标客户端为所述客户端集合中的、当前可用的客户端；

基于所述任务索引列表集合和所述任务详情列表集合生成数据地址列表，以及将所述数据地址列表发送给所述目标客户端，以供所述目标客户端根据所述数据地址列表抓取数据；

接收所述目标客户端针对所述数据地址列表返回的抓取结果数据。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于所述数据地址列表发送完成，更新所述任务索引列表集合中的目标任务索引列表和所述任务详情列表集合中的目标任务详情列表中的信息，其中，所述目标任务详情列表为所述任务详情列表集合中的、包括所述数据地址列表中的数据地址的任务详情列表，所述目标任务索引列表为所述任务索引列表集合中的、与所述目标任务详情列表的任务标识符相同的任务索引列表。

3.根据权利要求2所述的方法，其中，所述更新所述任务索引列表集合和所述任务详情列表集合中的目标任务索引列表和目标任务详情列表中的信息，包括：

将所述目标任务索引列表中的抓取状态更新为“抓取中”，时间更新为接收所述数据抓取任务信息的时间；

将所述目标任务详情列表中的时间更新为发送所述数据地址列表的时间，最后一次抓取时间更新为当前时间。

4.根据权利要求2所述的方法，其中，在接收所述目标客户端针对所述数据地址列表返回的抓取结果数据之后，所述方法还包括：

响应于确定所述目标客户端针对所述数据地址列表的数据抓取任务未超时，对所述目标任务索引列表和所述目标任务详情列表进行如下更新：

将所述目标任务索引列表中的抓取状态更新为“完成”；

根据所述目标客户端返回的抓取结果数据更新所述目标任务详情列表中的文件路径和抓取结果，以及将所述目标任务详情列表中的MAC地址更新为所述目标客户端的MAC地址。

5.根据权利要求4所述的方法，其中，所述方法还包括：

响应于确定所述目标客户端针对所述数据地址列表的数据抓取任务超时，丢弃所述目标客户端针对所述数据地址列表返回的抓取结果数据，以及将所述目标任务索引列表中的抓取状态更新为“待抓取”。

6.根据权利要求1所述的方法，其中，所述基于所述任务索引列表集合和所述任务详情列表集合生成数据地址列表，包括：

选取所述任务索引列表集合中的、抓取状态为“待抓取”和“超时”的任务索引列表组成第一任务索引列表集合；

选取所述任务详情列表集合中的、与所述第一任务索引列表集合中的第一任务索引列表的任务标识符相同的任务详情列表组成第一任务详情列表集合；

基于所述第一任务详情列表集合中的各第一任务详情列表中的抓取优先级和数据地址生成数据地址列表，其中，所述数据地址列表中的各数据地址对应的第一任务详情列表包括相同的任务标识符。

7.根据权利要求1所述的方法，其中，所述方法还包括：

间隔设定时长查询所述任务索引列表集合中抓取状态为“抓取中”的第一目标任务索引列表；

根据所述第一目标任务索引列表中的任务标识符从所述任务详情列表集合中确定第一目标任务详情列表；

基于当前时间和所述第一目标任务详情列表中的最后一次抓取时间确定所述第一目标任务索引列表对应的抓取任务是否超时；

响应于确定所述第一目标任务索引列表对应的抓取任务超时，将所述第一目标任务索引列表中的抓取状态修改为“超时”。

8.根据权利要求7所述的方法，其中，所述基于当前时间和所述第一目标任务详情列表的最后一次抓取时间确定所述第一目标任务索引列表对应的抓取任务是否超时，包括：

计算所述第一目标任务详情列表中的最后一次抓取时间与当前时间的时间差；

将所述时间差与预先设定的时间阈值进行比较；

响应于确定所述时间差大于所述时间阈值，确定所述第一目标任务索引列表对应的抓取任务超时。

9.根据权利要求7所述的方法，其中，所述方法还包括：

响应于确定所述第一目标任务索引列表对应的抓取任务超时，丢弃当前执行所述第一目标任务索引列表对应的抓取任务的客户端针对所述第一目标任务索引列表对应的抓取任务上传的数据。

10.一种用于抓取数据的装置，包括：

建立单元，用于基于接收到的多条数据抓取任务信息建立任务索引列表集合和任务详情列表集合，其中，多条数据抓取任务信息中的该数据抓取任务信息包括至少一个数据地址和抓取优先级，所述任务索引列表集合中的任务索引列表包括任务标识符和抓取状态，抓取状态表示数据抓取任务信息所对应的数据抓取任务当前所处的状态，所述任务详情列表集合中的任务详情列表包括任务标识符、数据地址和抓取优先级，针对该数据抓取任务信息，所述任务详情列表集合中的一个任务详情列表与所述任务索引列表集合中的多个任务索引列表的任务标识符相同，所述抓取优先级用于表示对所述至少一个数据地址对应的待抓取数据进行抓取的优先等级；

第一接收单元，用于接收预先设定的客户端集合中的目标客户端发送的数据地址获取请求，其中，目标客户端为所述客户端集合中的、当前可用的客户端；

生成单元，用于基于所述任务索引列表集合和所述任务详情列表集合生成数据地址列表，以及将所述数据地址列表发送给所述目标客户端，以供所述目标客户端根据所述数据地址列表抓取数据；

第二接收单元，用于接收所述目标客户端针对所述数据地址列表返回的抓取结果数据。

11.根据权利要求10所述的装置，其中，所述装置还包括：

第一更新单元，用于响应于所述数据地址列表发送完成，更新所述任务索引列表集合中的目标任务索引列表和所述任务详情列表集合中的目标任务详情列表中的信息，其中，所述目标任务详情列表为所述任务详情列表集合中的、包括所述数据地址列表中的数据地址的任务详情列表，所述目标任务索引列表为所述任务索引列表集合中的、与所述目标任务详情列表的任务标识符相同的任务索引列表。

12.根据权利要求11所述的装置，其中，所述第一更新单元进一步用于：

将所述目标任务索引列表中的抓取状态更新为“抓取中”，时间更新为接收所述数据抓取任务信息的时间；

将所述目标任务详情列表中的时间更新为发送所述数据地址列表的时间，最后一次抓取时间更新为当前时间。

13.根据权利要求11所述的装置，其中，所述装置还包括第二更新单元，所述第二更新单元用于：

响应于确定所述目标客户端针对所述数据地址列表的数据抓取任务未超时，对所述目标任务索引列表和所述目标任务详情列表进行如下更新：

将所述目标任务索引列表中的抓取状态更新为“完成”；

根据所述目标客户端返回的抓取结果数据更新所述目标任务详情列表中的文件路径和抓取结果，以及将所述目标任务详情列表中的MAC地址更新为所述目标客户端的MAC地址。

14.根据权利要求13所述的装置，其中，所述装置还包括：

第一丢弃单元，用于响应于确定所述目标客户端针对所述数据地址列表的数据抓取任务超时，丢弃所述目标客户端针对所述数据地址列表返回的抓取结果数据，以及将所述目标任务索引列表中的抓取状态更新为“待抓取”。

15.根据权利要求10所述的装置，其中，所述生成单元进一步用于：

选取所述任务索引列表集合中的、抓取状态为“待抓取”和“超时”的任务索引列表组成第一任务索引列表集合；

选取所述任务详情列表集合中的、与所述第一任务索引列表集合中的第一任务索引列表的任务标识符相同的任务详情列表组成第一任务详情列表集合；

基于所述第一任务详情列表集合中的各第一任务详情列表中的抓取优先级和数据地址生成数据地址列表，其中，所述数据地址列表中的各数据地址对应的第一任务详情列表包括相同的任务标识符。

16.根据权利要求10所述的装置，其中，所述装置还包括：

查询单元，用于间隔设定时长查询所述任务索引列表集合中抓取状态为“抓取中”的第一目标任务索引列表；

第一确定单元，用于根据所述第一目标任务索引列表中的任务标识符从所述任务详情列表集合中确定第一目标任务详情列表；

第二确定单元，用于基于当前时间和所述第一目标任务详情列表中的最后一次抓取时间确定所述第一目标任务索引列表对应的抓取任务是否超时；

修改单元，用于响应于确定所述第一目标任务索引列表对应的抓取任务超时，将所述第一目标任务索引列表中的抓取状态修改为“超时”。

17.根据权利要求16所述的装置，其中，所述第二确定单元进一步用于：

计算所述第一目标任务详情列表中的最后一次抓取时间与当前时间的时间差；

将所述时间差与预先设定的时间阈值进行比较；

响应于确定所述时间差大于所述时间阈值，确定所述第一目标任务索引列表对应的抓取任务超时。

18.根据权利要求16所述的装置，其中，所述装置还包括：

第二丢弃单元，用于响应于确定所述第一目标任务索引列表对应的抓取任务超时，丢弃当前执行所述第一目标任务索引列表对应的抓取任务的客户端针对所述第一目标任务索引列表对应的抓取任务上传的数据。

19.一种设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如权利要求1-9中任一所述的方法。

Images