CN111401979A

CN111401979A - 分布式信息采集方法以及装置

Info

Publication number: CN111401979A
Application number: CN202010101388.XA
Authority: CN
Inventors: 张永军; 毛文静; 崔翊翔; 郭红雁
Original assignee: Beijing Zhidemai Technology Co ltd
Current assignee: Beijing Zhidemai Technology Co ltd
Priority date: 2020-02-19
Filing date: 2020-02-19
Publication date: 2020-07-10

Abstract

本公开是关于一种分布式信息采集方法、装置、电子设备以及存储介质。其中，该方法包括：根据数据源生成数据抓取任务信息，所述数据抓取任务信息包含配置信息；根据数据抓取任务信息进行分布式数据抓取，生成抓取结果；根据预设模版解析规则，将所述抓取结果进行解析，生成模版解析信息；根据预设二次解析规则，将所述模版解析信息进行解析，生成二次解析信息；根据预设数据合并规则，将所述二次解析信息进行数据合并处理，生成数据合并信息；根据预设价格计算规则，将所述数据合并信息进行价格计算处理，生成价格信息。本公开可以通过分布式商品信息抓取、解析计算，生成符合不同需求的价格信息。

Description

分布式信息采集方法以及装置

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种分布式信息采集方法、装置、电子设备以及计算机可读存储介质。

背景技术

随着电子商务的快速发展，电商网站成为大量商品信息数据的载体平台，有效地提取并利用这些商品相关信息数据成为数据处理需要编队的巨大挑战。目前市场上各大电商平台竞争剧烈，也催生出了整合所有电商平台商品数据的需求，但也存在如下问题：同一件商品在每家电商平台中的价格不同，促销信息不同，优惠信息不同，展现方式不同；同一种品牌在每家电商平台中策略不同，侧重点不同，从而导致所出售的商品不同；电商平台的特点不同，导致商品的展现风格各不相同，有图片，有文字，更有音频和视频等丰富的多媒体载体。

现有技术一般是通过基于Python编写的Scrapy来解决，Scrapy因其可灵活配置，异步框架，自定义程度强，社区活跃，文档详细等优点而被广泛使用。但由于Scrapy仅支持命令行操作，没有WEB页面上的调试，控制，监控等功能，所以在开发和维护管理场景操作繁琐。加之Scrapy不支持分布式的解决方案，所以无法搭建分布式抓取系统，不能发挥出分布式集群的最大化效能。

因此，需要提供一种或多种至少能够解决上述问题的技术方案。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种分布式信息采集方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种分布式信息采集方法，包括：

任务获取步骤，根据数据源生成数据抓取任务信息，所述数据抓取任务信息包含配置信息；

数据抓取步骤，根据数据抓取任务信息进行分布式数据抓取，生成抓取结果；

模版解析步骤，根据预设模版解析规则，将所述抓取结果进行解析，生成模版解析信息；

二次解析步骤，根据预设二次解析规则，将所述模版解析信息进行解析，生成二次解析信息；

数据合并步骤，根据预设数据合并规则，将所述二次解析信息进行数据合并处理，生成数据合并信息；

价格计算步骤，根据预设价格计算规则，将所述数据合并信息进行价格计算处理，生成价格信息。

在本公开的一种示例性实施例中，所述任务获取步骤中，根据商品的商品编号SKUID数据源或商品分类页的统一资源定位符URL数据源生成数据抓取任务信息。

在本公开的一种示例性实施例中，所述数据抓取步骤中，通过配置异步网络框架，实现分布式数据抓取。

在本公开的一种示例性实施例中，所述数据抓取步骤还包括：若数据抓取失败，添加数据抓取失败标识，并重新抓取。

在本公开的一种示例性实施例中，所述模版解析步骤中，通过对象简谱json方式、正则方式或可扩展标记路径语言xpath方式将所述抓取结果进行解析，并校验所述模版解析信息。

在本公开的一种示例性实施例中，所述模版解析步骤还包括：若模版解析失败，添加模版解析失败标识，并重新抓取。

在本公开的一种示例性实施例中，所述二次解析步骤还包括：若二次解析失败，添加二次解析失败标识，并重新抓取。

在本公开的一种示例性实施例中，所述价格计算步骤中，所述价格信息包括根据包含不同时效的促销信息、优惠信息的价格计算规则，生成的包括最终可购买最低价格、未来可购买最低价格、预售价格、拼购价格、活动价格、不同平台端的价格的价格信息。

在本公开的一种示例性实施例中，若大于预设重新抓取次数，则停止重新抓取。

在本公开的一个方面，提供一种分布式信息采集装置，包括：

任务获取模块，用于根据数据源生成数据抓取任务信息，所述数据抓取任务信息包含配置信息；

数据抓取模块，用于根据数据抓取任务信息进行分布式数据抓取，生成抓取结果；

模版解析模块，用于根据预设模版解析规则，将所述抓取结果进行解析，生成模版解析信息；

二次解析模块，用于根据预设二次解析规则，将所述模版解析信息进行解析，生成二次解析信息；

数据合并模块，用于根据预设数据合并规则，将所述二次解析信息进行数据合并处理，生成数据合并信息；

价格计算模块，用于根据预设价格计算规则，将所述数据合并信息进行价格计算处理，生成价格信息。

在本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。

在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。

本公开的示例性实施例中的分布式信息采集方法，根据数据源生成数据抓取任务信息，所述数据抓取任务信息包含配置信息；根据数据抓取任务信息进行分布式数据抓取，生成抓取结果；根据预设模版解析规则，将所述抓取结果进行解析，生成模版解析信息；根据预设二次解析规则，将所述模版解析信息进行解析，生成二次解析信息；根据预设数据合并规则，将所述二次解析信息进行数据合并处理，生成数据合并信息；根据预设价格计算规则，将所述数据合并信息进行价格计算处理，生成价格信息。一方面，由于采用基于分布式的抓取方案，可根据抓取量的不同，横向扩展服务器资源，最大化利用硬件资源，减少不必要的开销，降低成本；另一方面，通过分布式商品信息抓取、解析计算，可以生成符合不同需求的价格信息，提升了用户体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。

图1示出了根据本公开一示例性实施例的分布式信息采集方法的流程图；

图2示出了根据本公开一示例性实施例的分布式信息采集方法的逻辑图；

图3示出了根据本公开一示例性实施例的分布式信息采集方法应用场景的示意图；

图4示出了根据本公开一示例性实施例的分布式信息采集装置的示意框图；

图5示意性示出了根据本公开一示例性实施例的电子设备的框图；以及

图6示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在本示例实施例中，首先提供了一种分布式信息采集方法，可以应用于计算机等电子设备；参考图1中所示，该分布式信息采集方法可以包括以下步骤：

任务获取步骤S110，根据数据源生成数据抓取任务信息，所述数据抓取任务信息包含配置信息；

数据抓取步骤S120，根据数据抓取任务信息进行分布式数据抓取，生成抓取结果；

模版解析步骤S130，根据预设模版解析规则，将所述抓取结果进行解析，生成模版解析信息；

二次解析步骤S140，根据预设二次解析规则，将所述模版解析信息进行解析，生成二次解析信息；

数据合并步骤S150，根据预设数据合并规则，将所述二次解析信息进行数据合并处理，生成数据合并信息；

价格计算步骤S160，根据预设价格计算规则，将所述数据合并信息进行价格计算处理，生成价格信息。

根据本示例实施例中的分布式信息采集方法，一方面，由于采用基于分布式的抓取方案，可根据抓取量的不同，横向扩展服务器资源，最大化利用硬件资源，减少不必要的开销，降低成本；另一方面，通过分布式商品信息抓取、解析计算，可以生成符合不同需求的价格信息，提升了用户体验。

下面，将对本示例实施例中的分布式信息采集方法进行进一步的说明。

在任务获取步骤S110中，可以根据数据源生成数据抓取任务信息，所述数据抓取任务信息包含配置信息。

本示例实施方式中，数据源可以是电商平台中商品的SKUID，也可以是资讯门户网站中的具体分类页的URL。根据数据源类型的不同，需要封装成对应的抓取任务，传给消息系统。

本示例实施方式中，所述任务获取步骤中，根据商品的商品编号SKUID数据源或商品分类页的统一资源定位符URL数据源生成数据抓取任务信息。如图2所示的信息采集逻辑图所示，当数据源为电商平台中商品的SKUID时，需要在任务中配置好要抓取的所有URL，每个URL抓取时所需要的代理服务、模板解析规则、二次解析规则，所有URL的合并规则、计算规则。

在数据抓取步骤S120中，可以根据数据抓取任务信息进行分布式数据抓取，生成抓取结果。

本示例实施方式中，所述数据抓取步骤中，通过配置异步网络框架，实现分布式数据抓取。部署在所有机器上的抓取引擎可从消息系统中拿到任意种类型的抓取任务数据，再通过配置异步网络框架Uvloop配以Asyncio，实现基于分布式的高效抓取，并校验抓取状态。

本示例实施方式中，所述数据抓取步骤还包括：若数据抓取失败，添加数据抓取失败标识，并重新抓取。

在模版解析步骤S130中，可以根据预设模版解析规则，将所述抓取结果进行解析，生成模版解析信息。

本示例实施方式中，根据事先配置好的抓取任务所对应的模板解析规则，模板解析引擎将对任意种类型的抓取的结果进行解析操作。

本示例实施方式中，所述模版解析步骤中，通过对象简谱json方式、正则方式或可扩展标记路径语言xpath方式将所述抓取结果进行解析，并校验所述模版解析信息。

本示例实施方式中，所述模版解析步骤还包括：若模版解析失败，添加模版解析失败标识，并重新抓取。

在二次解析步骤S140中，可以根据预设二次解析规则，将所述模版解析信息进行解析，生成二次解析信息。

本示例实施方式中，根据事先配置好的抓取任务所对应的二次解析代码，二次解析引擎将对任意种类型的抓取的结果进行解析操作。该模块中进行的解析为定制化高的程序来完成，故可针对非通用的数据结果进行解析，也可进行具有复杂逻辑的解析等。

本示例实施方式中，所述二次解析步骤还包括：若二次解析失败，添加二次解析失败标识，并重新抓取。

在数据合并步骤S150中，可以根据预设数据合并规则，将所述二次解析信息进行数据合并处理，生成数据合并信息。

本示例实施方式中，根据事先配置好的抓取任务所对应的合并规则，合并引擎将对任意种类型的抓取的结果进行合并操作。如将电商平台中商品的价格信息、优惠促销信息、标题信息、规格参数信息、图片信息、评论信息、库存信息进行整合合并为一条。同时还校验合并状态，合并成功则将合并结果传给消息系统。

在价格计算步骤S160中，可以根据预设价格计算规则，将所述数据合并信息进行价格计算处理，生成价格信息。

本示例实施方式中，如图3所示的应用场景示意，所述价格计算步骤中，所述价格信息包括根据包含不同时效的促销信息、优惠信息的价格计算规则，生成的包括最终可购买最低价格、未来可购买最低价格、预售价格、拼购价格、活动价格、不同平台端的价格的价格信息。

本示例实施方式中，若大于预设重新抓取次数，则停止重新抓取。在每次重新抓取时标记抓取次数，如预设重新抓取次数为3次，当大于3则丢弃任务。

本示例实施方式中，利用高吞吐量的分布式发布订阅消息系统kafka来进行数据流转和分发，充分利用了所提供的基于磁盘数据结构的消息持久化，每秒数百万的高吞吐量，多副本多分区多机器来对消息进行存储处理。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本示例实施例中，还提供了一种分布式信息采集装置。参照图4所示，该分布式信息采集装置400可以包括：任务获取模块410、数据抓取模块420、模版解析模块430、二次解析模块440、数据合并模块450以及价格计算模块460。其中：

任务获取模块410，用于根据数据源生成数据抓取任务信息，所述数据抓取任务信息包含配置信息；

数据抓取模块420，用于根据数据抓取任务信息进行分布式数据抓取，生成抓取结果；

模版解析模块430，用于根据预设模版解析规则，将所述抓取结果进行解析，生成模版解析信息；

二次解析模块440，用于根据预设二次解析规则，将所述模版解析信息进行解析，生成二次解析信息；

数据合并模块450，用于根据预设数据合并规则，将所述二次解析信息进行数据合并处理，生成数据合并信息；

价格计算模块460，用于根据预设价格计算规则，将所述数据合并信息进行价格计算处理，生成价格信息。

上述中各分布式信息采集装置模块之间物理解耦分离，使用消息系统来进行数据流转，使得模块与模块之间互不影响，互不干扰，各司其职。每个模块都是单独拉数据，单独执行操作，对系统的高稳定性提供了强有力的保障和支撑。

上述中各分布式信息采集装置模块的具体细节已经在对应的分布式信息采集方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了分布式信息采集装置400的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本发明的这种实施例的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元510可以执行如图1中所示的步骤S110至步骤S160。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图6所示，描述了根据本发明的实施例的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims

1.一种分布式信息采集方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述任务获取步骤中，根据商品的商品编号SKUID数据源或商品分类页的统一资源定位符URL数据源生成数据抓取任务信息。

3.根据权利要求1所述的方法，其特征在于，所述数据抓取步骤中，通过配置异步网络框架，实现分布式数据抓取。

4.根据权利要求1所述的方法，其特征在于，所述数据抓取步骤还包括：若数据抓取失败，添加数据抓取失败标识，并重新抓取。

5.根据权利要求1所述的方法，其特征在于，所述模版解析步骤中，通过对象简谱json方式、正则方式或可扩展标记路径语言xpath方式将所述抓取结果进行解析，并校验所述模版解析信息。

6.根据权利要求1所述的方法，其特征在于，所述模版解析步骤还包括：若模版解析失败，添加模版解析失败标识，并重新抓取。

7.根据权利要求1所述的方法，其特征在于，所述二次解析步骤还包括：若二次解析失败，添加二次解析失败标识，并重新抓取。

8.根据权利要求1所述的方法，其特征在于，所述价格计算步骤中，所述价格信息包括根据包含不同时效的促销信息、优惠信息的价格计算规则，生成的包括最终可购买最低价格、未来可购买最低价格、预售价格、拼购价格、活动价格、不同平台端的价格的价格信息。

9.根据权利要求4、6、7所述的方法，其特征在于，若大于预设重新抓取次数，则停止重新抓取。

10.一种分布式信息采集装置，其特征在于，所述装置包括：

11.一种电子设备，其特征在于，包括

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至9中任一项所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至9中任一项所述方法。