CN112966167A - 数据爬取方法、装置、计算机系统和计算机可读存储介质 - Google Patents

Abstract

本公开提供了一种数据爬取方法、数据爬取装置、计算机系统、计算机可读存储介质和计算机程序产品，可用于信息安全、物联网领域或其他领域。其中，该方法包括：利用数据流引擎获取由数据分片构成的数据集合，其中，数据分片是根据客户端预爬取的网页端数据构造得到的；根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据；以及将目标爬取数据发送至客户端，以使得客户端根据目标爬取数据确定预爬取的网页端数据。

Description

数据爬取方法、装置、计算机系统和计算机可读存储介质

技术领域

本公开涉及信息安全、物联网技术领域，更具体地，涉及一种数据爬取方法、数据爬取装置、计算机系统、计算机可读存储介质和计算机程序产品。

背景技术

随着网络的迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战。针对这一挑战，定向抓取相关网页资源的爬虫技术应运而生。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题，在使用爬虫爬取数据的过程中，不可避免的会因为外部原因导致爬取数据中断，此时通常需要重新爬取，重新爬取耗时耗力，而且可能会因为同样的原因再次中断。

发明内容

有鉴于此，本公开提供了一种数据爬取方法、数据爬取装置、计算机系统、计算机可读存储介质和计算机程序产品。

本公开的一个方面提供了一种数据爬取方法，包括：利用数据流引擎获取由数据分片构成的数据集合，其中，所述数据分片是根据客户端预爬取的网页端数据构造得到的；根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及将所述目标爬取数据发送至所述客户端，以使得所述客户端根据所述目标爬取数据确定所述预爬取的网页端数据。

根据本公开的实施例，所述根据客户端预爬取的网页端数据构造得到的数据分片包括多个，每个所述数据分片配置有分片标识，根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据包括：在所述客户端预爬取所述网页端数据的过程出现中断的情况下，获取所述客户端爬取到的部分网页数据对应的第一目标分片标识；获取所述数据集合中的多个数据分片对应的全部分片标识；将所述第一目标分片标识与所述全部分片标识进行匹配，筛选得到第二目标分片标识；根据所述第二目标分片标识对应的目标数据分片从所述网页端爬取得到在所述客户端的预爬取过程中未爬取到的目标网页数据；以及将所述目标网页数据作为所述目标爬取数据。

根据本公开的实施例，根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据还包括：通过探针检测所述数据流引擎与所述网页端是否建立连接；在所述数据流引擎与所述网页端建立连接的情况下，从所述网页端获取与所述目标数据分片对应的下载数据以及针对所述目标数据分片返回的下载标识；以及将所述目标数据分片以及与所述目标数据分片对应的下载数据和下载标识作为所述目标爬取数据。

根据本公开的实施例，上述方法还包括：将所述第一目标分片标识和所述第二目标分片标识进行组合，得到最终分片标识；以及在所述最终分片标识与所述客户端存储的分片标识一致的情况下，根据所述部分网页数据和所述目标网页数据确定所述客户端预爬取的网页端数据。

本公开的另一个方面提供了一种数据爬取方法，包括：获取根据客户端预爬取的网页端数据构造得到的数据分片；为所述数据分片配置分片标识；将配置有所述分片标识的数据分片以数据集合的形式存储于数据流引擎中，以便于所述数据流引擎根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及获取所述目标爬取数据，以根据所述目标爬取数据确定所述客户端预爬取的网页端数据。

根据本公开的实施例，所述根据客户端预爬取的网页端数据构造得到的数据分片包括多个，在获取所述目标爬取数据，以根据所述目标爬取数据确定所述客户端预爬取的网页端数据之前包括：在所述客户端预爬取所述网页端数据的过程出现中断的情况下，确定所述客户端爬取到的部分网页数据对应的第一目标分片标识；获取所述数据分片的全部分片标识；将所述第一目标分片标识与所述全部分片标识进行匹配，以筛选得到第二目标分片标识；以及根据所述第二目标分片标识确定所述数据集合中的与所述第二目标分片标识对应的目标数据分片，以便于所述数据流引擎根据所述目标数据分片从所述网页端爬取得到在所述客户端的预爬取过程中未爬取到的目标网页数据，以及将所述目标网页数据作为所述目标爬取数据，其中，所述目标网页数据包括从所述网页端获取的与所述目标数据分片对应的下载数据以及针对所述目标数据分片返回的下载标识。

根据本公开的实施例，上述方法还包括：获取所示第二目标分片标识及其对应的目标网页数据；将所述第一目标分片标识和所述第二目标分片标识进行组合，得到最终分片标识；以及在所述最终分片标识与所述客户端存储的分片标识一致的情况下，根据所述部分网页数据和所述目标网页数据确定所述客尸端预爬取的网页端数据。

本公开的另一个方面提供了一种数据爬取装置，包括：获取模块，用于利用数据流引擎获取由数据分片构成的数据集合，其中，所述数据分片是根据客户端预爬取的网页端数据构造得到的；生成模块，用于根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及发送模块，用于将所述目标爬取数据发送至所述客户端，以使得所述客户端根据所述目标爬取数据确定所述预爬取的网页端数据。

本公开的另一个方面提供了一种数据爬取装置，包括：第一获取模块，用于获取根据客户端预爬取的网页端数据构造得到的数据分片；配置模块，用于为所述数据分片配置分片标识；存储模块，用于将配置有所述分片标识的数据分片以数据集合的形式存储于数据流引擎中，以便于所述数据流引擎根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及第二获取模块，用于获取所述目标爬取数据，以根据所述目标爬取数据确定所述客户端预爬取的网页端数据。

本公开的另一方面提供了一种计算机系统，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，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上所述的数据爬取方法。

本公开的另一方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的数据爬取方法。

本公开的另一方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的数据爬取方法。

根据本公开的实施例，通过采用了利用数据流引擎获取由数据分片构成的数据集合，其中，数据分片是根据客户端预爬取的网页端数据构造得到的；根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据；以及将目标爬取数据发送至客户端，以使得客户端根据目标爬取数据确定预爬取的网页端数据的技术手段，由于客户端需要爬取的网页端数据可以根据数据流引擎中的数据集合爬取得到，而数据集合不会被外部中断所影响，所以至少部分地克服了爬取数据中断时需要重新爬取而导致的数据爬取过程耗时耗力的技术问题，进而达到了可以根据数据分片实现简单有效的断点续传的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用数据爬取方法的示例性系统架构；

图2示意性示出了根据本公开实施例的应用于数据流引擎的数据爬取方法的流程图；

图3示意性示出了根据本公开实施例的应用于客户端的数据爬取方法的流程图；

图4示意性示出了根据本公开实施例的用于实现数据爬取方法的正常爬虫场景的系统架构图；

图5示意性示出了根据本公开实施例的用于实现数据爬取方法的断点爬虫场景的系统架构图；

图6示意性示出了根据本公开的实施例的应用于数据流引擎的数据爬取装置的框图；

图7示意性示出了根据本公开的实施例的应用于客户端的数据爬取装置的框图；以及

图8示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

发明人在实现本公开构思的过程中发现，随着互联网技术的不断发展，数据量越来越大，相应的爬取相当大的数据需要较长的时间，在爬取过程中可能会产生一系列原因，比如爬虫程序崩溃，或系统原因导致爬虫中断，等等，导致爬取数据中断，数据无法完整下载，此时就需要重新进行下载，但无法判断从哪个断点处进行下载，耗时耗力，非常不便，同时重新爬虫，也会遇到相同的问题，对于问题的定位、解决也相当耗时。

本公开的实施例提供了一种数据爬取方法、数据爬取装置、计算机系统、计算机可读存储介质和计算机程序产品。该方法包括：在数据引擎端，利用数据流引擎获取由数据分片构成的数据集合，其中，数据分片是根据客户端预爬取的网页端数据构造得到的；根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据；以及将目标爬取数据发送至客户端，以使得客户端根据目标爬取数据确定预爬取的网页端数据。在客户端，获取根据客户端预爬取的网页端数据构造得到的数据分片；为数据分片配置分片标识；将配置有分片标识的数据分片以数据集合的形式存储于数据流引擎中，以便于数据流引擎根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据；以及获取目标爬取数据，以根据目标爬取数据确定客户端预爬取的网页端数据。

图1示意性示出了根据本公开实施例的可以应用数据爬取方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，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，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的数据爬取方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据爬取装置一般可以设置于服务器105中。本公开实施例所提供的数据爬取方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据爬取装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的数据爬取方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的数据爬取装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，数据集合可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)的数据流引擎之中，或者存储在外部存储设备的数据流引擎或客户端上并可以导入到终端设备101的数据流引擎中。然后，终端设备101的数据流引擎可以在本地执行本公开实施例所提供的数据爬取方法，或者将数据集合发送到其他终端设备、服务器、或服务器集群的数据流引擎中，并由接收该数据集合的其他终端设备、服务器、或服务器集群的数据流引擎来执行本公开实施例所提供的数据爬取方法。

再如，数据分片可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的数据爬取方法，或者将数据分片发送到其他终端设备、服务器、或服务器集群中，并由接收该数据分片的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的数据爬取方法。本实施例中，终端设备101、102、103、外部存储设备、服务器、或服务器集群中均配置有数据流引擎，以为上述数据爬取方法提供基础环境。

应该理解，图1中的终端设备、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终端设备、网络和服务器。

需要说明的是，本公开数据爬取方法、数据爬取装置、计算机系统、计算机可读存储介质和计算机程序产品可用于信息安全和物联网技术领域，也可用于除信息安全和物联网技术领域之外的任意领域，本公开数据爬取方法、数据爬取装置、计算机系统、计算机可读存储介质和计算机程序产品的应用领域不做限定。

图2示意性示出了根据本公开实施例的应用于数据流引擎的数据爬取方法的流程图。

如图2所示，该方法包括操作S201～S203。

在操作S201，利用数据流引擎获取由数据分片构成的数据集合，其中，数据分片是根据客户端预爬取的网页端数据构造得到的。

在操作S202，根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据。

在操作S203，将目标爬取数据发送至客户端，以使得客户端根据目标爬取数据确定预爬取的网页端数据。

根据本公开的实施例，上述数据流引擎例如可以为Flink引擎(一种由Apache软件基金会开发的开源流处理框架，其核心是用Java和Scala编写的分布式流数据流引擎)，Flink用于进行爬虫数据流分析，通过Flink可以记载爬虫数据流。上述数据集合例如可以为针对Flink数据流以dataset(一种不依赖于数据库的独立数据集合)方式进行处理得到的集合。

根据本公开的实施例，上述客户端预爬取网页端数据的过程对应的通信信息例如可以以dataset的形式存储于上述Flink引擎(即上述数据流引擎)中，上述数据分片例如可以为根据该通信信息得到，其中，通信信息例如可以包括预爬取数据的信息，客户端信息和网页端信息等。则实现上述数据爬取的方法例如可以包括由客户端从网页端的直接爬取，也可以包括由数据流引擎从网页端爬取，并将爬取到的数据发送至客户端，从而客户端可以根据爬取到的数据和/或从数据流引擎接收到的数据最终得到其本身所欲爬取的上述网页端数据。

通过本公开的上述实施例，由于在断开数据链路，或者关闭数据库的情况下，dataset依然可用，因此通过增加基于dataset得到的数据集合，来增加一种从数据流引擎的路径进行数据爬取的方法，可有效解决客户端直接从网页端进行数据爬取的过程中因中断而导致的不能完整爬取数据的问题。

根据本公开的实施例，上述根据客户端预爬取的网页端数据构造得到的数据分片例如可以包括多个，每个数据分片可以配置有相应的分片标识，上述操作S202例如可以包括：在客户端预爬取网页端数据的过程出现中断的情况下，获取客户端爬取到的部分网页数据对应的第一目标分片标识；获取数据集合中的多个数据分片对应的全部分片标识；将第一目标分片标识与全部分片标识进行匹配，筛选得到第二目标分片标识；根据第二目标分片标识对应的目标数据分片从网页端爬取得到在客户端的预爬取过程中未爬取到的目标网页数据；以及将目标网页数据作为目标爬取数据。

根据本公开的实施例，上述客户端预爬取网页端数据的过程对应的通信信息例如可以被划分为一个或多个数据分片，每个数据分片例如可以设置有相应的分片标识，该数据分片和其对应的分片标识(即上述全部分片标识)例如可以同时存储于客户端和数据流引擎中，上述第一目标分片标识例如用于表示发生中断前客户端已爬取到的数据(即上述部分网页数据)对应的数据分片的标识，上述第二目标分片标识例如用于表示发生中断后数据流引擎爬取到的数据(即上述目标网页数据)对应的数据分片(即上述目标数据分片)的标识。

通过本公开的上述实施例，即使在客户端与网页端之间发生了中断，仍然可以通过数据流引擎的数据集合中的数据分片从网页端完成客尸端需要的数据的爬取，有效解决了断点续传难度高的间题。

根据本公开的实施例，在执行上述操作S202的过程中，例如还可以包括：通过探针检测数据流引擎与网页端是否建立连接；在数据流引擎与网页端建立连接的情况下，从网页端获取与目标数据分片对应的下载数据以及针对目标数据分片返回的下载标识；以及将目标数据分片以及与目标数据分片对应的下载数据和下载标识作为目标爬取数据。

根据本公开的实施例，由于中断的存在，导致部分数据分片对应的数据已下载完成而另一部分数据分片对应的数据未能下载，则不同的数据分片可能对应不同的下载状态，为区分不同数据分片的下载状态，例如可以通过配置下载标识的方式来实现，已完成数据下载的数据分片配置有该下载标识，尚未完成数据下载的数据分片不配置该下载标识。基于此，通过判断是否配置了下载标识可以区分客户端已爬取到的数据对应的数据分片和客户端未爬取到的数据(即上述目标网页数据)对应的数据分片，并可以在基于数据流引擎对客户端未爬取到的数据爬取完成(即获取到上述下载数据)之后，对该客户端未爬取到的数据对应的数据分片配置下载标识，以便为后续根据配置有该下载标识的数据分片判断客户端预爬取的网页端数据是否爬取完成提供判断基础。

根据本公开的实施例，为实现对网页端数据的爬取结果的判断，并为最终获取该爬取结果，上述数据爬取方法例如还可以包括：将第一目标分片标识和第二目标分片标识进行组合，得到最终分片标识；在最终分片标识与客户端存储的分片标识一致的情况下，根据部分网页数据和目标网页数据确定客户端预爬取的网页端数据。

根据本公开的实施例，通过将第一目标分片标识和第二目标分片标识的组合与前述全部分片标识进行匹配，即可确定客户端预爬取的网页端数据全部下载完成，通过组合第一目标分片标识和第二目标分片标识对应的数据分片各自对应的下载数据即可确定该网页端数据。

通过本公开的上述实施例，引入了Flink数据流引擎和dataset数据集合，有效解决了爬取中断导致的数据爬取困难的问题，并提供了一种有效的断点续传的解决方式。

图3示意性示出了根据本公开实施例的应用于客户端的数据爬取方法的流程图。

如图3所示，该方法包括操作S301～S304。

在操作S301，获取根据客户端预爬取的网页端数据构造得到的数据分片。

在操作S302，为数据分片配置分片标识。

在操作S303，将配置有分片标识的数据分片以数据集合的形式存储于数据流引擎中，以便于数据流引擎根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据。

在操作S304，获取目标爬取数据，以根据目标爬取数据确定客户端预爬取的网页端数据。

通过本公开的上述实施例，增加了一种从数据流引擎的路径进行数据爬取的方法，可有效解决客户端直接从网页端进行数据爬取的过程中因中断而导致的不能完整爬取数据的问题。

根据本公开的实施例，上述根据客户端预爬取的网页端数据构造得到的数据分片包括多个，在执行上述操作S304之前包括：在客户端预爬取网页端数据的过程出现中断的情况下，确定客户端爬取到的部分网页数据对应的第一目标分片标识；获取数据分片的全部分片标识；将第一目标分片标识与全部分片标识进行匹配，以筛选得到第二目标分片标识；以及根据第二目标分片标识确定数据集合中的与第二目标分片标识对应的目标数据分片，以便于数据流引擎根据目标数据分片从网页端爬取得到在客户端的预爬取过程中未爬取到的目标网页数据，以及将目标网页数据作为目标爬取数据，其中，目标网页数据包括从网页端获取的与目标数据分片对应的下载数据以及针对目标数据分片返回的下载标识。

根据本公开的实施例，上述数据爬取方法例如还可以包括：获取所示第二目标分片标识及其对应的目标网页数据；将第一目标分片标识和第二目标分片标识进行组合，得到最终分片标识；在最终分片标识与客户端存储的分片标识一致的情况下，根据部分网页数据和目标网页数据确定客户端预爬取的网页端数据。

通过本公开的上述实施例，可以有效解决爬取中断导致的数据爬取困难的问题，并提供了一种简单有效的断点续传的解决方式。

需要说明的是，本公开的实施例中应用于客户端的数据爬取方法部分与本公开的实施例中应用于数据流引擎的数据爬取方法部分是相对应的，应用于客户端的数据爬取方法部分的描述具体参考应用于数据流引擎的数据爬取方法部分，在此不再赘述。

还需要说明的是，上述数据流引擎可以设置于上述客户端内部，也可以设置于上述客户端外部，不同的是，在数据流引擎设置于客户端外部的情况下，需要保持数据流引擎与客户端之间存在通信关系。

下面参考图4～图5，结合具体实施例对图2和图3所示的方法做进一步说明。

图4示意性示出了根据本公开实施例的用于实现数据爬取方法的正常爬虫场景的系统架构图。

如图4所示，描绘了一种正常爬虫场景，并基于该场景展示了不存在爬取中断的情况下客户端对服务端(例如可以为上述网页端)进行断点续爬的总体流程，本系统包括三个参与方，分别为本地python开发scrapy框架客户端(如图4中的客户端)、Flink(即上述数据流引擎，此处例如可以表现为如图4中的Flink)与Web前端网站(即上述网页端，此处例如可以表现为如图4中的Web)。在该场景下，基于该系统实现的数据爬取的整体流程例如可以包括操作S401～S406。

在操作S401，客户端预爬取Web网站数据。

在操作S402，根据读取数据构造数据分片，在该操作中得到的数据分片例如可以首先被存储至客户端。

在操作S403，客户端可以将预读取的数据分片进一步传输给Flink的dataset。

在操作S404，在利用Flink从网页端爬取数据时，Flink可以先通过探针检测，查看是否连接至Web网站，在返回连接成功消息后再进行后续操作。

在操作S405，下载数据时可以通过Flink的dataset进行下载，网页端返回的内容包括用于区分相应的数据分片是否已完成数据下载的下载标识。

在操作S406，在操作S405得到的下载数据可以预先以dataset的形式存储于Flink中，通过对dataset进行数据解析，并且发送给客户端下载的标识(如上述下载标识)，即可以判断完成利用Flink实现数据爬取的过程。

图5示意性示出了根据本公开实施例的用于实现数据爬取方法的断点爬虫场景的系统架构图。

如图5所示，描绘了一种断点爬虫场景，并基于该场景展示了存在爬取中断的情况下客户端对服务端(例如可以为上述网页端)进行断点续爬的总体流程，假设Web、客户端和Flink之间的任意一个节点断开，此处例如以中断发生在Web和客户端两节点之间为例，由于客户端在预爬取Web端数据时就可获得相应的的数据分片并可传输至Flink，即此时Flink已经存储有与预爬取的Web端数据对应的数据分片的分片标识。在该场景下，基于该系统实现的数据爬取的整体流程例如可以包括操作S501～S504。

在操作S501，读取客户端的数据分片(配置有分片标识)，发送给Flink的dataset，并将Flink已存有的分片标识(例如为上述全部分片标识)与客户端本地已下载的数据分片对应的分片标识(例如为上述第一目标分片标识)进行数据匹配，筛选出客户端未下载的分片标识。

在操作S502，根据上述未下载的分片标识确定Flink的dataset中需要被激活的数据分片，将该数据分片发送至Web端。

在操作S503，Web根据接收到的来自Flink的数据分片下载数据，并反馈标识的下载程度(如上述下载标识)，反馈的标识发送至Flink。

在操作S504，将Flink接收到的下载数据对应的数据分片的分片标识和客户端已下载数据对应的数据分片的分片标识进行结合，并将相关的数据分片对应的数据进行重新组合，并进行数据解析发送给客尸端。同时发送已下载的标识(如上述下载标识)，和客户端的下载标识进行匹配，匹配完成无问题(即配置有已下载标识的数据分片的分片标识与上述全部分片标识完全一致)后，下载完成。

需要说明的是，中断例如还可以发生在客户端和Flink、Flink和Web之间，此时只需由客户端直接从Web端爬取数据即可。

通过本公开的上述实施例，提出了一种基于Flink断点续爬的异步爬虫方式，通过Python与Flink的交互实现断点续爬的设计工作，具体地，采用Python开发的Scrapy框架(一种快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据)，Flink流数据dataset处理，将异步断点记录在Flink当中，通过断点记录自动断点续爬。其中，Scrapy框架主要应用在爬虫，Flink用于进行爬虫数据流分析，通过Flink记载爬虫数据流，在爬虫出现断点时，可以通过读取Flink爬虫数据流中的数据进行断点续爬。该方案可以应用于任何场景下的爬虫场景。

图6示意性示出了根据本公开的实施例的应用于数据流引擎的数据爬取装置的框图。

如图6所示，数据爬取装置600包括获取模块610、生成模块620和发送模块630。

获取模块610，用于利用数据流引擎获取由数据分片构成的数据集合，其中，数据分片是根据客户端预爬取的网页端数据构造得到的。

生成模块620，用于根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据。

发送模块630，用于将目标爬取数据发送至客户端，以使得客户端根据目标爬取数据确定预爬取的网页端数据。

根据本公开的上述实施例，通过采用了利用数据流引擎获取由数据分片构成的数据集合，其中，数据分片是根据客户端预爬取的网页端数据构造得到的；根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据；以及将目标爬取数据发送至客户端，以使得客户端根据目标爬取数据确定预爬取的网页端数据的技术手段，由于客户端需要爬取的网页端数据可以根据数据流引擎中的数据集合爬取得到，而数据集合不会被外部中断所影响，所以至少部分地克服了爬取数据中断时需要重新爬取而导致的数据爬取过程耗时耗力的技术问题，进而达到了可以根据数据分片实现简单有效的断点续传的技术效果。

根据本公开的实施例，上述根据客户端预爬取的网页端数据构造得到的数据分片包括多个，每个数据分片配置有分片标识，上述生成模块620包括第一获取单元、第二获取单元、筛选单元、爬取单元和第一定义单元。

第一获取单元，用于在客户端预爬取网页端数据的过程出现中断的情况下，获取客户端爬取到的部分网页数据对应的第一目标分片标识。

第二获取单元，用于获取数据集合中的多个数据分片对应的全部分片标识。

筛选单元，用于将第一目标分片标识与全部分片标识进行匹配，筛选得到第二目标分片标识。

爬取单元，用于根据第二目标分片标识对应的目标数据分片从网页端爬取得到在客户端的预爬取过程中未爬取到的目标网页数据。

第一定义单元，用于将目标网页数据作为目标爬取数据。

根据本公开的实施例，上述生成模块620还包括检测单元、第三获取单元和第二定义单元。

检测单元，用于通过探针检测数据流引擎与网页端是否建立连接。

第三获取单元，用于在数据流引擎与网页端建立连接的情况下，从网页端获取与目标数据分片对应的下载数据以及针对目标数据分片返回的下载标识。

第二定义单元，用于将目标数据分片以及与目标数据分片对应的下载数据和下载标识作为目标爬取数据。

根据本公开的实施例，上述数据爬取装置600还包括组合模块和确定模块。

组合模块，用于将第一目标分片标识和第二目标分片标识进行组合，得到最终分片标识。

确定模块，用于在最终分片标识与客户端存储的分片标识一致的情况下，根据部分网页数据和目标网页数据确定客户端预爬取的网页端数据。

图7示意性示出了根据本公开的实施例的应用于客户端的数据爬取装置的框图。

如图7所示，数据爬取装置700包括第一获取模块710、配置模块720、存储模块730和第二获取模块740。

第一获取模块710，用于获取根据客户端预爬取的网页端数据构造得到的数据分片。

配置模块720，用于为数据分片配置分片标识。

存储模块730，用于将配置有分片标识的数据分片以数据集合的形式存储于数据流引擎中，以便于数据流引擎根据数据集合中的数据分片从网页端爬取网页数据，生成目标爬取数据。

第二获取模块740，用于获取目标爬取数据，以根据目标爬取数据确定客户端预爬取的网页端数据。

通过本公开的上述实施例，增加了一种从数据流引擎的路径进行数据爬取的方法，可有效解决客户端直接从网页端进行数据爬取的过程中因中断而导致的不能完整爬取数据的问题。

根据本公开的实施例，上述根据客户端预爬取的网页端数据构造得到的数据分片包括多个，上述数据爬取装置700还包括第一确定模块、第三获取模块、筛选模块和第二确定模块。

第一确定模块，用于在客户端预爬取网页端数据的过程出现中断的情况下，确定客户端爬取到的部分网页数据对应的第一目标分片标识。

第三获取模块，用于获取数据分片的全部分片标识。

筛选模块，用于将第一目标分片标识与全部分片标识进行匹配，以筛选得到第二目标分片标识。

第二确定模块，用于根据第二目标分片标识确定数据集合中的与第二目标分片标识对应的目标数据分片，以便于数据流引擎根据目标数据分片从网页端爬取得到在客户端的预爬取过程中未爬取到的目标网页数据，以及将目标网页数据作为目标爬取数据，其中，目标网页数据包括从网页端获取的与目标数据分片对应的下载数据以及针对目标数据分片返回的下载标识。

根据本公开的实施例，上述数据爬取装置700还包括第四获取模块、组合模块和第三确定模块。

第四获取模块，用于获取所示第二目标分片标识及其对应的目标网页数据。

组合模块，用于将第一目标分片标识和第二目标分片标识进行组合，得到最终分片标识。

第三确定模块，用于在最终分片标识与客户端存储的分片标识一致的情况下，根据部分网页数据和目标网页数据确定客户端预爬取的网页端数据。

根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块610、生成模块620和发送模块630，或者第一获取模块710、配置模块720、存储模块730和第二获取模块740中的任意多个可以合并在一个模块/单元中实现，或者其中的任意一个模块/单元可以被拆分成多个模块/单元。或者，这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元的至少部分功能相结合，并在一个模块/单元中实现。根据本公开的实施例，获取模块610、生成模块620和发送模块630，或者第一获取模块710、配置模块720、存储模块730和第二获取模块740中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块610、生成模块620和发送模块630，或者第一获取模块710、配置模块720、存储模块730和第二获取模块740中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中数据爬取装置部分与本公开的实施例中数据爬取方法部分是相对应的，数据爬取装置部分的描述具体参考数据爬取方法部分，在此不再赘述。

图8示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。图8示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，根据本公开实施例的计算机系统800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 803中，存储有系统800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。系统800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。

根据本公开的实施例，根据本公开实施例的方法流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存储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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：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)、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。在本公开中，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。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的数据爬取方法。

在该计算机程序被处理器801执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，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公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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、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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (12)

1.一种数据爬取方法，包括：

利用数据流引擎获取由数据分片构成的数据集合，其中，所述数据分片是根据客户端预爬取的网页端数据构造得到的；

根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及

将所述目标爬取数据发送至所述客户端，以使得所述客户端根据所述目标爬取数据确定所述预爬取的网页端数据。

2.根据权利要求1所述的方法，其中，所述根据客户端预爬取的网页端数据构造得到的数据分片包括多个，每个所述数据分片配置有分片标识，根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据包括：

在所述客户端预爬取所述网页端数据的过程出现中断的情况下，获取所述客户端爬取到的部分网页数据对应的第一目标分片标识；

获取所述数据集合中的多个数据分片对应的全部分片标识；

将所述第一目标分片标识与所述全部分片标识进行匹配，筛选得到第二目标分片标识；

根据所述第二目标分片标识对应的目标数据分片从所述网页端爬取得到在所述客户端的预爬取过程中未爬取到的目标网页数据；以及

将所述目标网页数据作为所述目标爬取数据。

3.根据权利要求2所述的方法，其中，根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据还包括：

通过探针检测所述数据流引擎与所述网页端是否建立连接；

在所述数据流引擎与所述网页端建立连接的情况下，从所述网页端获取与所述目标数据分片对应的下载数据以及针对所述目标数据分片返回的下载标识；以及

将所述目标数据分片以及与所述目标数据分片对应的下载数据和下载标识作为所述目标爬取数据。

4.根据权利要求2或3所述的方法，还包括：

将所述第一目标分片标识和所述第二目标分片标识进行组合，得到最终分片标识；以及

在所述最终分片标识与所述客户端存储的分片标识一致的情况下，根据所述部分网页数据和所述目标网页数据确定所述客户端预爬取的网页端数据。

5.一种数据爬取方法，包括：

获取根据客户端预爬取的网页端数据构造得到的数据分片；

为所述数据分片配置分片标识；

将配置有所述分片标识的数据分片以数据集合的形式存储于数据流引擎中，以便于所述数据流引擎根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及

获取所述目标爬取数据，以根据所述目标爬取数据确定所述客户端预爬取的网页端数据。

6.根据权利要求5所述的方法，其中，所述根据客户端预爬取的网页端数据构造得到的数据分片包括多个，在获取所述目标爬取数据，以根据所述目标爬取数据确定所述客户端预爬取的网页端数据之前包括：

在所述客户端预爬取所述网页端数据的过程出现中断的情况下，确定所述客户端爬取到的部分网页数据对应的第一目标分片标识；

获取所述数据分片的全部分片标识；

将所述第一目标分片标识与所述全部分片标识进行匹配，以筛选得到第二目标分片标识；以及

根据所述第二目标分片标识确定所述数据集合中的与所述第二目标分片标识对应的目标数据分片，以便于所述数据流引擎根据所述目标数据分片从所述网页端爬取得到在所述客户端的预爬取过程中未爬取到的目标网页数据，以及将所述目标网页数据作为所述目标爬取数据，其中，所述目标网页数据包括从所述网页端获取的与所述目标数据分片对应的下载数据以及针对所述目标数据分片返回的下载标识。

7.根据权利要求6所述的方法，还包括：

获取所示第二目标分片标识及其对应的目标网页数据；

将所述第一目标分片标识和所述第二目标分片标识进行组合，得到最终分片标识；以及

在所述最终分片标识与所述客户端存储的分片标识一致的情况下，根据所述部分网页数据和所述目标网页数据确定所述客户端预爬取的网页端数据。

8.一种数据爬取装置，包括：

获取模块，用于利用数据流引擎获取由数据分片构成的数据集合，其中，所述数据分片是根据客户端预爬取的网页端数据构造得到的；

生成模块，用于根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及

发送模块，用于将所述目标爬取数据发送至所述客户端，以使得所述客户端根据所述目标爬取数据确定所述预爬取的网页端数据。

9.一种数据爬取装置，包括：

第一获取模块，用于获取根据客户端预爬取的网页端数据构造得到的数据分片；

配置模块，用于为所述数据分片配置分片标识；

存储模块，用于将配置有所述分片标识的数据分片以数据集合的形式存储于数据流引擎中，以便于所述数据流引擎根据所述数据集合中的数据分片从所述网页端爬取网页数据，生成目标爬取数据；以及

第二获取模块，用于获取所述目标爬取数据，以根据所述目标爬取数据确定所述客户端预爬取的网页端数据。

10.一种计算机系统，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，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权利要求1至4或5至7中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至4或5至7中任一项所述的方法。

12.一种计算机程序产品，包括计算机可执行指令，所述指令在被执行时用于实现权利要求1至4或5至7中任一项所述的方法。

Images