CN111680204A - 数据采集方法、装置及计算机可读存储介 - Google Patents
数据采集方法、装置及计算机可读存储介 Download PDFInfo
- Publication number
- CN111680204A CN111680204A CN202010482647.8A CN202010482647A CN111680204A CN 111680204 A CN111680204 A CN 111680204A CN 202010482647 A CN202010482647 A CN 202010482647A CN 111680204 A CN111680204 A CN 111680204A
- Authority
- CN
- China
- Prior art keywords
- data
- acquisition
- website
- target
- rule
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006870 function Effects 0.000 claims description 38
- 238000013480 data collection Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 230000009191 jumping Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000238413 Octopus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
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
本发明涉及一种大数据技术，揭露了一种数据采集方法，包括：获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次；根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项；获取所述不同的结构层次的底层数据框架；根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中，在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集。本发明还提出一种数据采集装置、电子设备以及计算机可读存储介质。本发明可以解决数据的生成方法复杂并占用计算资源的问题。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种数据采集方法、装置、电子设备及计算机可读存储介质。
背景技术
数据采集是大数据、人工智能领域的基石，如网站开发人员往往会对网站的数据进行全面，完整的采集，采集过程耗费大量人力成本，占用大量计算资源。
目前业内大多采用八爪鱼及集搜客等数据采集工具进行数据采集，但是这些数据采集工具往往采用一套固定的数据采集规则。然而，网站上的数据包括不同的数据类型，采用的数据采集规则也不尽相同，因此，采用一套固定的数据采集规则不能保证进行数据采集时，可以完整的，精确的采集到类型不同的目标数据，从而造成数据采集的效率低下、采集精度低，且存在着数据采集的不完整的问题。
发明内容
本发明提供一种数据采集方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决数据采集的方法效率低下、时效性慢、采集精度低，且存在着数据采集的不完整的问题。
为实现上述目的，本发明提供的一种数据采集方法，包括：
获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次；
根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项；
获取所述不同的结构层次的底层数据框架；
根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中；
在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集。
可选地，所述根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中，包括：
根据所述底层数据框架构建与所述目标采集网站对应的镜像结构层次；
将所述镜像结构层次按照所述目标采集网站的结构层次进行组合，得到组合规则模板；
对所述组合规则模板中不同的结构层次按照与所述目标采集网站对应的结构层次添加对应的数据采集规则项，得到所述规则模板。
可选地，所述在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集，包括：
从所述规则模板的最高结构层次开始，采用递归算法遍历所述规则模板的每一层，并在每一层中遍历每一个采集规则项，基于所述遍历操作选择所述规则模板中的每一个数据采集规则项，利用选择的数据采集规则项对所述目标采集网站规则模板中对应结构层次的数据进行采集；
若所述目标采集网站中某一层数据采集失败，直接跳转至下一个结构层次进行数据采集；
若所述目标采集网站中某一层数据采集成功，将所述目标采集网站中该层结构层次的采集数据输出至一个预设存储空间，并跳转至下一个结构层次进行数据采集；
汇总所述目标采集网站中所有层输出的采集数据，得到所述目标数据集。
可选地，该方法还包括：
设置定时触发推送功能，根据所述定时触发推送功能将采集到的所述目标数据集定时推送给客户。
可选地，所述设置定时触发推送功能，包括：
获取用户的推送需求，根据所述推送需求选取合适的自定义处理函数；
获取当前的目标数据推送环境；
根据所述数据推送环境使用相应的编译器对所述自定义处理函数进行编译，得到规则表达式；
利用所述规则表达式设置所述定时触发推送功能。
为了解决上述问题，本发明还提供一种数据采集装置，所述装置包括：
网站结构划分模块，用于获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次；
规则项生成模块，用于根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项；
底层数据框架获取模块，用于获取所述不同的结构层次的底层数据框架；
规则模板构建模块，用于根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中；
数据采集模块，用于利用所述数据采集规则项对所述规则模板进行数据采集，得到目标数据集。
可选的，所述规则模板构建模块用于：
根据所述底层数据框架构建与所述目标采集网站对应的镜像结构层次；
将所述镜像结构层次按照所述目标采集网站的结构层次进行组合，得到所述组合规则模板；
对所述组合规则模板中不同的结构层次按照与所述目标采集网站对应的结构层次添加不同的数据采集规则项，得到所述规则模板。
可选地，所述数据采集模块详细用于：
从所述规则模板的最高结构层次开始，采用递归算法遍历所述规则模板的每一层，并在每一层中遍历每一个采集规则项，基于所述遍历操作选择所述规则模板中的每一个数据采集规则项，利用选择的数据采集规则项对所述目标采集网站规则模板中对应结构层次的数据进行采集；
若所述目标采集网站中某一层数据采集失败，直接跳转至下一个结构层次进行数据采集；
若所述目标采集网站中某一层数据采集成功，将所述目标采集网站中该层结构层次的采集数据输出至一个预设存储空间，并跳转至下一个结构层次进行数据采集；
汇总所述目标采集网站中所有层输出的采集数据，得到所述目标数据集。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的数据采集方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的数据采集方法。
本发明实施例将目标采集网站按网站结构划分为不同的结构层次，并构建与所述目标采集网站具有相同结构层次的规则模板，利用所述规则模板中每一个结构层次的数据采集规则项对目标采集网站中对应结构层次的数据进行采集，得到目标数据集。本发明实施例通过将目标采集网站与规则模板、网站层次与规则模板的层次，以及数据项和规则项一一对应，实现了对不同的结构层次中的数据配置不同的采集规则进行数据采集，提高了数据采集的效率、精度与完整性。因此本发明提出的数据采集方法、装置及计算机可读存储介质，可以实现高精度、完整、高效数据采集。
附图说明
图1为本发明一实施例提供的数据采集方法的流程示意图；
图2为本发明一实施例提供的数据采集方法的模块示意图；
图3为本发明一实施例提供的数据采集方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种数据采集方法。参照图1所示，为本发明一实施例提供的数据采集方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，数据采集方法包括：
S1、获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次。
在本发明实施例中，所述目标采集网站包括因特网上任意网站，如知网，百度文库等。
为了更加精确高效地实现对所述目标采集网站的数据采集，本发明实施例将所述目标采集网站划分为不同的结构层次。其中，不同的结构层次可能存储着不同类型的数据。
通常，所述目标采集网站的结构通常为树状结构。因此，较佳地，本发明实施例可以按照树状结构将所述目标采集网站划分为三个结构层次：主干层，支干层，树叶层。本发明其中一个实施例中，所述主干层用于存储数据链接，支干层用于存储文字性内容，树叶层用于存储音视频数据以及图像数据等。
进一步地，所述目标采集网站的数据格式通常为html格式，由于现有的数据采集技术对html格式的数据采集存在着占用大量计算资源，采集效率低下的问题，因此，本发明较佳实施例需要对所述目标采集网站的每一个结构层次的数据进行格式转换。优选地，本发明实施例可以将所述初始结构层次集转换为JSON(JavaScript Object Notation,对象简谱)格式，从而实现高效的数据采集。
S2、根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项。
进一步地，由于对不同类型的数据进行数据采集的规则不一致，且所述不同的结构层次中存储的数据类型不一致，因此，需要根据所述不同的结构层次中的数据采集属性生成不同的数据采集规则项来对所述不同的结构层次中的数据进行数据采集。
详细地，所述采集属性是指，采集到的数据的内容类型所固有的属性，它由数据内容自身携带，可以为数据划分提供依据。
一般的，采集属性可以包括：采集数据的类型，采集数据的时间，采集数据的数据量。例如，采集数据的格式类型，采集数据的采集时间，采集数据的占用空间大小，这些都是采集数据的固有属性。以上只是采集属性的列举而非限定，只要采集属性能够对内容类型提供依据，都属于本发明实施例保护范围。
一般的，内容类型可以包括：数据格式类型，数据时间类型，数据大小类型等分类。例如，将数据按照不同的格式类型进行分类，或将数据按照不同的采集时间进行分类，或将数据按照不同的占用空间大小进行分类。以上只是对分类方法的列举而非限定，只要能保证通过对数据内容类型达到对数据内容规划的目的，都属于本发明实施例保护范围。
较佳地，本发明根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项，所述数据采集规则项可以利用正则表达式软件生成，也可以人工编写，其生成过程属于现有技术，在此不再赘述。
S3、获取所述不同的结构层次的底层数据框架。
进一步地，获取所述不同的结构层次的底层数据框架，以方便后续利用所述底层数据框架更好的进行数据采集。
本发明实施例中，所述底层数据框架可以利用预先编辑好的具有底层数据框架采集功能的java语句来获取。
所述底层数据框架包括，但不限于，所述目标采集网站中不同的结构层次的划分，所述不同的结构层次的构建数据。
S4、根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中。
进一步地，本发明实施例例根据采集到的所述底层数据框架中所述目标采集网站的不同的结构层次的划分，所述不同的结构层次的构建数据，构建与所述目标采集网站具有相同结构层次的规则模板，得到所述规则模板。
详细地，所述根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中，包括：
根据所述底层数据框架构建与所述目标采集网站对应的镜像结构层次；
将所述镜像结构层次按照所述目标采集网站的结构层次进行组合，得到组合规则模板；
对所述组合规则模板中不同的结构层次按照与所述目标采集网站对应的结构层次添加对应的数据采集规则项，得到所述规则模板。
其中，所述规则模板包括与所述目标采集网站相同的结构层次及对应层次的数据采集规则项。
所述规则模板构建模型中包含以python语言编写的用于提取网站结构层次的程序代码，可用于提取所述目标采集网站的结构层次。
较佳地，由于所述目标采集网站的不同结构层次存储着不同类型的数据，所述不同类型的数据的数据采集规则也不相同，为了利用所述规则模板对所述目标采集网站进行数据采集，本发明实施例对所述规则模板不同的结构层次配置不同的数据采集规则项。
S5、在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集。
详细地，所述S5包括：
从所述规则模板的最高结构层次开始，采用递归算法遍历所述规则模板的每一层，并在每一层中遍历每一个采集规则项，基于所述遍历操作选择所述规则模板中的每一个数据采集规则项，利用选择的数据采集规则项对所述目标采集网站规则模板中对应结构层次的数据进行采集；
若所述目标采集网站中某一层数据采集失败，直接跳转至下一个结构层次进行数据采集；
若所述目标采集网站中某一层数据采集成功，将所述目标采集网站中该层结构层次的采集数据输出至一个预设存储空间，并跳转至下一个结构层次进行数据采集；
汇总所述目标采集网站中所有层输出的采集数据，得到所述目标数据集。
进一步地，当每一结构层次的所述数据采集完成时，本发明实施例实时释放计算内存。
所述实时释放计算内存指的是当每一结构层次的所述数据采集完成时，所述预设数据采集模型自动结束与所述结构层次相关的计算进程，减少所述计算进程成占用的计算内存。
本发明其他实施例中，客户可能需要定时的对采集到的目标数据集进行接收，以便可以及时的利用所述目标数据集进行数据分析。因此，较佳地，本发明实施例还包括：设置定时触发推送功能，根据所述定时触发推送功能将采集到的所述目标数据集定时推送给客户。
优选地，本发明实施例所述数据采集方法可以设置定时触发推送的规则表达式，以将采集到的所述目标数据集按照客户需求进行定时推送。
详细地，本发明优选实施例可以通过自定义处理函数构建所述规则表达式。
详细地，所述处理函数，包括，但不限于以下至少一种内容：
IF，用于判断数据是否满足处理条件；
TO_DATE，用于表示日期与时间；
U_TIME，用于自定义所述目标数据推送时间；
U_DIV，用于调用所述目标数据；
进一步地，所述通过自定义处理函数构建所述规则表达式，包括：
获取用户的推送需求，根据所述推送需求选取合适的自定义处理函数；
获取当前的目标数据推送环境；
根据所述数据推送环境使用相应的编译器对所述自定义处理函数进行编译，得到所述规则表达式。
较佳地，所述编译器是一种用于对程序语言进行编译的软件，可自定义编译环境以将输入的所述自定义函数编译成对应编译环境下的程序语言。
优选地，所述当前的数据推送环境是直接根据当前所述目标数据的存储环境而得知，如当前所述目标数据存储在mysql数据库中，即推送环境为sql环境，因此后续应该按照sql语法规则对所述自定义处理函数进行编译。
详细地，所述定时触发推送的规则表达式类似于一个定时器，可实现定时的将所述目标数据进行推送。
本发明实施例将目标采集网站按网站结构划分为不同的结构层次，构建与所述目标采集网站具有相同结构层次的规则模板，并利用所述规则模板中每一个结构层次的数据采集规则项对目标采集网站中对应结构层次的数据进行采集，得到目标数据集，本发明实施例通过将目标采集网站与规则模板、网站层次与规则模板的层次以及数据项和规则项一一对应，实现了对不同的结构层次中的数据配置不同的采集规则进行数据采集，提高了数据采集的效率、精度与完整性。因此本发明提出的数据采集方法、装置及计算机可读存储介质，可以实现高精度、完整、高效的对数据进行采集。
如图2所示，是本发明数据采集装置的功能模块图。
本发明所述数据采集100可以安装于电子设备中。根据实现的功能，所述数据采集装置可以包括网站结构划分模块101、规则项生成模块102、底层数据框架获取模块103、规则模板构建模块104和数据采集模块105。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述网站结构划分模块101，用于获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次。
在本发明实施例中，所述目标采集网站包括因特网上任意网站，如知网，百度文库等。
为了更加精确高效地实现对所述目标采集网站的数据采集，本发明实施例将所述目标采集网站划分为不同的结构层次。其中，不同的结构层次可能存储着不同类型的数据。
通常，所述目标采集网站的结构通常为树状结构。因此，较佳地，本发明实施例可以按照树状结构将所述目标采集网站划分为三个结构层次：主干层，支干层，树叶层。本发明其中一个实施例中，所述主干层用于存储数据链接，支干层用于存储文字性内容，树叶层用于存储音视频数据以及图像数据等。
进一步地，所述目标采集网站的数据格式通常为html格式，由于现有的数据采集技术对html格式的数据采集存在着占用大量计算资源，采集效率低下的问题，因此，本发明较佳实施例需要对所述目标采集网站的每一个结构层次的数据进行格式转换。优选地，本发明实施例可以将所述初始结构层次集转换为JSON(JavaScript Object Notation,对象简谱)格式，从而实现高效的数据采集。
所述规则项生成模块102，用于根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项。
进一步地，由于对不同类型的数据进行数据采集的规则不一致，且所述不同的结构层次中存储的数据类型不一致，因此，需要根据所述不同的结构层次中的数据采集属性生成不同的数据采集规则项来对所述不同的结构层次中的数据进行数据采集。
详细地，所述采集属性是指，采集到的数据的内容类型所固有的属性，它由数据内容自身携带，可以为数据划分提供依据。
一般的，采集属性可以包括：采集数据的类型，采集数据的时间，采集数据的数据量。例如，采集数据的格式类型，采集数据的采集时间，采集数据的占用空间大小，这些都是采集数据的固有属性。以上只是采集属性的列举而非限定，只要采集属性能够对内容类型提供依据，都属于本发明实施例保护范围。
一般的，内容类型可以包括：数据格式类型，数据时间类型，数据大小类型等分类。例如，将数据按照不同的格式类型进行分类，或将数据按照不同的采集时间进行分类，或将数据按照不同的占用空间大小进行分类。以上只是对分类方法的列举而非限定，只要能保证通过对数据内容类型达到对数据内容规划的目的，都属于本发明实施例保护范围。
较佳地，本发明根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项，所述数据采集规则项可以利用正则表达式软件生成，也可以人工编写，其生成过程属于现有技术，在此不再赘述。
底层数据框架获取模块103，获取所述不同的结构层次的底层数据框架。
进一步地，获取所述不同的结构层次的底层数据框架，以方便后续利用所述底层数据框架更好的进行数据采集。
本发明实施例中，所述底层数据框架可以利用预先编辑好的具有底层数据框架采集功能的java语句来获取。
所述底层数据框架包括，但不限于，所述目标采集网站中不同的结构层次的划分，所述不同的结构层次的构建数据。
规则模板构建模块104，根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中。
进一步地，本发明实施例例根据采集到的所述底层数据框架中所述目标采集网站的不同的结构层次的划分，所述不同的结构层次的构建数据，构建与所述目标采集网站具有相同结构层次的规则模板，得到所述规则模板。
详细地，所述根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中，包括：
根据所述底层数据框架构建与所述目标采集网站对应的镜像结构层次；
将所述镜像结构层次按照所述目标采集网站的结构层次进行组合，得到组合规则模板；
对所述组合规则模板中不同的结构层次按照与所述目标采集网站对应的结构层次添加对应的数据采集规则项，得到所述规则模板。
其中，所述规则模板包括与所述目标采集网站相同的结构层次及对应层次的数据采集规则项。
所述规则模板构建模型中包含以python语言编写的用于提取网站结构层次的程序代码，可用于提取所述目标采集网站的结构层次。
较佳地，由于所述目标采集网站的不同结构层次存储着不同类型的数据，所述不同类型的数据的数据采集规则也不相同，为了利用所述规则模板对所述目标采集网站进行数据采集，本发明实施例对所述规则模板不同的结构层次配置不同的数据采集规则项。
所述数据采集模块105，用于在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集。
详细地，所述在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集，包括：
从所述规则模板的最高结构层次开始，采用递归算法遍历所述规则模板的每一层，并在每一层中遍历每一个采集规则项，基于所述遍历操作选择所述规则模板中的每一个数据采集规则项，利用选择的数据采集规则项对所述目标采集网站规则模板中对应结构层次的数据进行采集；
若所述目标采集网站中某一层数据采集失败，直接跳转至下一个结构层次进行数据采集；
若所述目标采集网站中某一层数据采集成功，将所述目标采集网站中该层结构层次的采集数据输出至一个预设存储空间，并跳转至下一个结构层次进行数据采集；
汇总所述目标采集网站中所有层输出的采集数据，得到所述目标数据集。
进一步地，当每一结构层次的所述数据采集完成时，本发明实施例实时释放计算内存。
所述实时释放计算内存指的是当每一结构层次的所述数据采集完成时，所述预设数据采集模型自动结束与所述结构层次相关的计算进程，减少所述计算进程成占用的计算内存。
本发明其他实施例中，客户可能需要定时的对采集到的目标数据集进行接收，以便可以及时的利用所述目标数据集进行数据分析。因此，较佳地，本发明实施例还包括：设置定时触发推送功能，根据所述定时触发推送功能将采集到的所述目标数据集定时推送给客户。
优选地，本发明实施例所述数据采集方法可以设置定时触发推送的规则表达式，以将采集到的所述目标数据集按照客户需求进行定时推送。
详细地，本发明优选实施例可以通过自定义处理函数构建所述规则表达式。
详细地，所述处理函数，包括，但不限于以下至少一种内容：
IF，用于判断数据是否满足处理条件；
TO_DATE，用于表示日期与时间；
U_TIME，用于自定义所述目标数据推送时间；
U_DIV，用于调用所述目标数据；
进一步地，所述通过自定义处理函数构建所述规则表达式，包括：
获取用户的推送需求，根据所述推送需求选取合适的自定义处理函数；
获取当前的目标数据推送环境；
根据所述数据推送环境使用相应的编译器对所述自定义处理函数进行编译，得到所述规则表达式。
较佳地，所述编译器是一种用于对程序语言进行编译的软件，可自定义编译环境以将输入的所述自定义函数编译成对应编译环境下的程序语言。
优选地，所述当前的数据推送环境是直接根据当前所述目标数据的存储环境而得知，如当前所述目标数据存储在mysql数据库中，即推送环境为sql环境，因此后续应该按照sql语法规则对所述自定义处理函数进行编译。
详细地，所述定时触发推送的规则表达式类似于一个定时器，可实现定时的将所述目标数据进行推送。
本发明实施例将目标采集网站按网站结构划分为不同的结构层次，构建与所述目标采集网站具有相同结构层次的规则模板，并利用所述规则模板中每一个结构层次的数据采集规则项对目标采集网站中对应结构层次的数据进行采集，得到目标数据集，本发明实施例通过将目标采集网站与规则模板、网站层次与规则模板的层次以及数据项和规则项一一对应，实现了对不同的结构层次中的数据配置不同的采集规则进行数据采集，提高了数据采集的效率、精度与完整性。因此本发明提出的数据采集方法、装置及计算机可读存储介质，可以实现高精度、完整、高效的对数据进行采集。
如图3所示，是本发明实现数据采集方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如数据采集程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如数据采集程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行数据采集程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的数据采集程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次；
根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项；
获取所述不同的结构层次的底层数据框架；
根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中；
在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集。
具体地，所述处理器10对上述指令的具体实现方法可参考图2对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种数据采集方法，其特征在于，所述方法包括：
获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次；
根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项；
获取所述不同的结构层次的底层数据框架；
根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中；
在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集。
2.如权利要求1所述的数据采集方法，其特征在于，所述根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中，包括：
根据所述底层数据框架构建与所述目标采集网站对应的镜像结构层次；
将所述镜像结构层次按照所述目标采集网站的结构层次进行组合，得到组合规则模板；
对所述组合规则模板中不同的结构层次按照与所述目标采集网站对应的结构层次添加对应的数据采集规则项，得到所述规则模板。
3.如权利要求1所述的数据采集方法，其特征在于，所述在所述规则模板中利用每一个结构层次的数据采集规则项对所述目标采集网站对应结构层次的数据进行采集，得到目标数据集，包括：
从所述规则模板的最高结构层次开始，采用递归算法遍历所述规则模板的每一层，并在每一层中遍历每一个采集规则项，基于所述遍历操作选择所述规则模板中的每一个数据采集规则项，利用选择的数据采集规则项对所述目标采集网站规则模板中对应结构层次的数据进行采集；
若所述目标采集网站中某一层数据采集失败，直接跳转至下一个结构层次进行数据采集；
若所述目标采集网站中某一层数据采集成功，将所述目标采集网站中该层结构层次的采集数据输出至一个预设存储空间，并跳转至下一个结构层次进行数据采集；
汇总所述目标采集网站中所有层输出的采集数据，得到所述目标数据集。
4.如权利要求1所述的数据采集方法，其特征在于，该方法还包括：
设置定时触发推送功能，根据所述定时触发推送功能将采集到的所述目标数据集定时推送给客户。
5.如权利要求4所述的数据采集方法，其特征在于，所述设置定时触发推送功能，包括：
获取用户的推送需求，根据所述推送需求选取合适的自定义处理函数；
获取当前的目标数据推送环境；
根据所述数据推送环境使用相应的编译器对所述自定义处理函数进行编译，得到规则表达式；
利用所述规则表达式设置所述定时触发推送功能。
6.一种数据采集装置，其特征在于，所述装置包括：
网站结构划分模块，用于获取目标采集网站，将所述目标采集网站按网站结构划分为不同的结构层次；
规则项生成模块，用于根据所述不同的结构层次中的数据采集属性生成与所述不同的结构层次对应的数据采集规则项；
底层数据框架获取模块，用于获取所述不同的结构层次的底层数据框架；
规则模板构建模块，用于根据所述底层数据框架构建与所述目标采集网站具有相同结构层次的规则模板，将所述数据采集规则项添加至所述规则模板的对应层次中；
数据采集模块，用于利用所述数据采集规则项对所述规则模板进行数据采集，得到目标数据集。
7.如权利要求6所述的数据采集装置，其特征在于，所述规则模板构建模块用于：
根据所述底层数据框架构建与所述目标采集网站对应的镜像结构层次；
将所述镜像结构层次按照所述目标采集网站的结构层次进行组合，得到所述组合规则模板；
对所述组合规则模板中不同的结构层次按照与所述目标采集网站对应的结构层次添加不同的数据采集规则项，得到所述规则模板。
8.如权利要求6所述的数据采集装置，其特征在于，所述数据采集模块：
从所述规则模板的最高结构层次开始，采用递归算法遍历所述规则模板的每一层，并在每一层中遍历每一个采集规则项，基于所述遍历操作选择所述规则模板中的每一个数据采集规则项，利用选择的数据采集规则项对所述目标采集网站规则模板中对应结构层次的数据进行采集；
若所述目标采集网站中某一层数据采集失败，直接跳转至下一个结构层次进行数据采集；
若所述目标采集网站中某一层数据采集成功，将所述目标采集网站中该层结构层次的采集数据输出至一个预设存储空间，并跳转至下一个结构层次进行数据采集；
汇总所述目标采集网站中所有层输出的采集数据，得到所述目标数据集。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的数据采集方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的数据采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010482647.8A CN111680204A (zh) | 2020-05-29 | 2020-05-29 | 数据采集方法、装置及计算机可读存储介 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010482647.8A CN111680204A (zh) | 2020-05-29 | 2020-05-29 | 数据采集方法、装置及计算机可读存储介 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111680204A true CN111680204A (zh) | 2020-09-18 |
Family
ID=72452953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010482647.8A Pending CN111680204A (zh) | 2020-05-29 | 2020-05-29 | 数据采集方法、装置及计算机可读存储介 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680204A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114339826A (zh) * | 2021-11-30 | 2022-04-12 | 浙江三维利普维网络有限公司 | 性能数据文件的生成方法、装置、存储介质及电子装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776693A (zh) * | 2016-11-10 | 2017-05-31 | 福建中金在线信息科技有限公司 | 一种网站数据采集方法及装置 |
| CN108255975A (zh) * | 2017-12-27 | 2018-07-06 | 东软集团股份有限公司 | 模板构建方法、页面内容抓取方法及装置、介质及设备 |
| CN108520043A (zh) * | 2018-03-30 | 2018-09-11 | 纳思达股份有限公司 | 数据对象采集方法、装置及系统、计算机可读存储介质 |
| CN109766524A (zh) * | 2018-12-28 | 2019-05-17 | 重庆邮电大学 | 一种并购重组类公告信息抽取方法及系统 |
-
2020
- 2020-05-29 CN CN202010482647.8A patent/CN111680204A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776693A (zh) * | 2016-11-10 | 2017-05-31 | 福建中金在线信息科技有限公司 | 一种网站数据采集方法及装置 |
| CN108255975A (zh) * | 2017-12-27 | 2018-07-06 | 东软集团股份有限公司 | 模板构建方法、页面内容抓取方法及装置、介质及设备 |
| CN108520043A (zh) * | 2018-03-30 | 2018-09-11 | 纳思达股份有限公司 | 数据对象采集方法、装置及系统、计算机可读存储介质 |
| CN109766524A (zh) * | 2018-12-28 | 2019-05-17 | 重庆邮电大学 | 一种并购重组类公告信息抽取方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114339826A (zh) * | 2021-11-30 | 2022-04-12 | 浙江三维利普维网络有限公司 | 性能数据文件的生成方法、装置、存储介质及电子装置 |
| CN114339826B (zh) * | 2021-11-30 | 2024-01-26 | 浙江三维利普维网络有限公司 | 性能数据文件的生成方法、装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111813963B (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
| CN113961584A (zh) | 字段血缘分析方法、装置、电子设备及存储介质 | |
| CN112085217A (zh) | 部署人工智能服务的方法、装置、设备及计算机介质 | |
| CN112506910A (zh) | 多源数据采集方法、装置、电子设备及存储介质 | |
| CN114020256A (zh) | 前端页面生成方法、装置、设备及可读存储介质 | |
| CN115048111B (zh) | 基于元数据的代码生成方法、装置、设备及介质 | |
| CN115408399A (zh) | 基于sql脚本的血缘关系分析方法、装置、设备及存储介质 | |
| CN114707474A (zh) | 报表生成方法、装置、电子设备及计算机可读存储介质 | |
| CN113806434A (zh) | 大数据处理方法、装置、设备及介质 | |
| CN112631903A (zh) | 任务测试方法、装置、电子设备及存储介质 | |
| CN114398282A (zh) | 测试脚本的生成方法、装置、设备及存储介质 | |
| CN114489861A (zh) | 目标组件转化方法、装置、电子设备及可读存储介质 | |
| CN113360139A (zh) | 前端框架的集成方法、装置、电子设备及存储介质 | |
| CN105573763A (zh) | 一种支持rtos的嵌入式系统建模方法 | |
| CN111680204A (zh) | 数据采集方法、装置及计算机可读存储介 | |
| CN114385155A (zh) | vue项目可视化工具生成方法、装置、设备及存储介质 | |
| CN114936111A (zh) | 前端变量异常检测及修复方法、装置、设备及存储介质 | |
| CN115827115A (zh) | 微信小程序的h5页面跳转方法、装置、设备及存储介质 | |
| CN115237706A (zh) | 埋点数据处理方法、装置、电子设备及存储介质 | |
| CN114625376A (zh) | 数据传递方式转化方法、装置、电子设备及可读存储介质 | |
| CN114816371A (zh) | 消息处理方法、装置、设备及介质 | |
| CN114911479A (zh) | 基于配置化的界面生成方法、装置、设备及存储介质 | |
| CN114490666A (zh) | 基于数据需求的图表生成方法、装置、设备及存储介质 | |
| CN113935663A (zh) | 一种面板产品的设备组合分析方法、装置、设备及介质 | |
| CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |