CN113326417B - 用于更新网页库的方法和装置 - Google Patents

Abstract

提供了一种用于更新网页库的方法和装置，本公开涉及计算机技术领域，尤其涉及搜索引擎技术领域。实现方案为：基于网页库获取数据集合，其中，该数据集合包括多个第一数据，该多个第一数据中的每一个第一数据在链接库中不存在对应的链接；以及基于该数据集合，更新该网页库。

Description

用于更新网页库的方法和装置

技术领域

本公开涉及计算机技术领域，尤其涉及搜索引擎技术领域，具体涉及一种用于更新网页库的方法和装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

搜索引擎的工作流程包括数据收录步骤、索引建库步骤、在线排序步骤、用户展现步骤。其中，在数据收录步骤中，通过互联网获取各个网站的网页链接以存入链接库，再从链接库中抽取链接并基于抽取的链接从互联网上获取数据以被网页库收录。收录数据的网页库进一步用于后续索引建库步骤和在线排序步骤。网页库作为整个搜索引擎工作流程中的底层资源，对搜索引擎的搜索质量具有举足轻重的作用。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于更新网页库的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于更新网页库的方法，包括：基于网页库获取数据集合，其中，所述数据集合包括多个第一数据，所述多个第一数据中的每一个第一数据在链接库中不存在对应的链接；以及基于所述数据集合，更新所述网页库。

根据本公开的另一方面，提供了一种用于更新网页库的装置，包括：获取单元，被配置用于基于网页库获取数据集合，其中，所述数据集合包括多个第一数据，所述多个第一数据中的每一个第一数据在链接库中不存在对应的链接；以及更新单元，被配置用于基于所述数据集合，更新所述网页库。

根据本公开的另一方面，提供了一种电子设备，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实现根据上述的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机实现根据上述的方法。

根据本公开的一个或多个实施例，通过获取网页库中的数据集合，该数据集合包括在链接库中不存在对应的链接的第一数据，基于该数据集合，更新网页库，由于对在链接库中不存在对应的链接的第一数据进行了更新，使该不存在对应的链接的第一数据与所对应的网页的当前页面内容一致，从而提升该网页库的一致性，改善基于该网页库进行的搜索的结果的质量。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据相关技术的搜索引擎系统在用户和互联网之间进行搜索工作的示意图；

图3示出了根据本公开的一些实施例的用于更新网页库的方法的流程图；

图4示出了根据图3的一种用于更新网页库的方法中基于数据集合更新网页库的过程的流程图；

图5示出了根据图4的一种用于更新网页库的方法中对数据集合中的多个数据进行抽样的过程的流程图；

图6示出了根据图5的一种用于更新网页库的方法中对多个第一数据进行抽样的过程的流程图；

图7示出了根据图5的一种用于更新网页库的方法中对多个第二数据进行抽样的过程的流程图；

图8示出了根据图4的一种用于更新网页库的方法中对抽样数据集合中的多个数据中的各个数据进行调度更新的过程的流程图；

图9示出根据本公开的一种用于更新网页库的装置的结构框图；以及

图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行向客户端设备用于更新网页库的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务（SaaS）模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来基于服务器120更新的网页库，进行搜索。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机（诸如个人计算机和膝上型计算机）、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统（例如Google Chrome OS）；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理（PDA）等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序（例如电子邮件应用程序）、短消息服务（SMS）应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种（包括但不限于TCP/IP、SNA、IPX等）来支持数据通信。仅作为示例，一个或多个网络110可以是局域网（LAN）、基于以太网的网络、令牌环、广域网（WAN）、因特网、虚拟网络、虚拟专用网络（VPN）、内部网、外部网、公共交换电话网（PSTN）、红外网络、无线网络（例如蓝牙、WIFI）和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机（例如PC（个人计算机）服务器、UNIX服务器、中端服务器）、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构（例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池）。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器（VPS，Virtual Private Server）服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

本公开的一方面提供了一种用于更新网页库的方法。

为了对根据本公开的用于更新网页库的方法进行更详细的说明，首先参看图2对搜索引擎的工作流程进行大致介绍。

如图2所示，根据一些实施例的在用户210和互联网220之间工作的搜索引擎系统包括：链接库231、网页库232以及网页分类器233。其中，搜索引擎的工作流程包括：首先，搜索引擎从互联网220中抓取链接以获取230a链接存入链接库231；接着，搜索引擎从链接库231中抽取230b链接，并基于所抽取的链接从互联网220中获取数据以收录230c到网页库232；接着，搜索引擎采用网页分类器233对网页库232中收录的数据进行分类230，例如根据网页特征与预设搜索目标的相关度将收录的数据分为A类、B类和C类，其中A类为最相关数据，B类为次相关数据以及C类为最不相关数据；最后，搜索引擎基于用户210的搜索，将分类的数据进行排序230e后返回给用户210。

随着信息的越来越丰富，互联网220上的信息在随时更新。为了使搜索引擎的搜索结果与互联网220上的信息更新保持一致，通过定期执行从链接库231中抽取230b链接，并基于抽取的链接从互联网上获取数据以收录230c到网页库232，从而更新网页库232。然而，当存入链接库231的链接发生丢失时，往往使收录到网页库232中的数据在链接库231中找不到对应的链接。当互联网220上的网页发生更新时，由于链接库231中对应的链接发生丢失，网页库232中与该网页对应的数据无法经过基于从链接库231中抽取的相应的链接从互联网220上获取更新，导致网页库232收录的网页的数据与网页的当前实际内容存在差异，这样的差异会导致网页库232中收录的数据特征失效，影响后网页分类器233的分类结果，从而影响搜索结果。

参看图3，根据本公开的一些实施例的一种用于更新网页库的方法300包括：

步骤S310：基于网页库获取数据集合，其中，所述数据集合包括多个第一数据，所述多个第一数据中的每一个第一数据在链接库中不存在对应的链接；以及

步骤S320：基于所述数据集合，更新所述网页库。

根据本公开的实施例，通过获取网页库中的在链接库中不存在对应的链接的第一数据，并基于该第一数据更新该网页库，使网页库中的第一数据能够与互联网上对应的网页的当前实际内容保持一致。从而使网页库中收录的数据的特征能够反应网页的当前特征，提升网页库的一致性，从而提升基于该网页库进行的搜索的质量。例如，网页分类器基于该网页库中收录的数据的特征进行分类时，能够得到更准确的分类。在用户搜索的过程中，基于该分类得到的搜索结果更加准确。

在一些实施例中，在步骤S310中，通过分析网页库中的数据的地址和链接库中的链接，获取该数据集合。

根据一些实施例，在步骤S320中，获取的数据集合还包括多个第二数据，所述多个第二数据中的每一个第二数据在所述链接库中具有对应的链接并且对应的调度时间超过预设值，其中所述调度时间表征数据最近被调度的时间点距离当前时间点的时间长度。

由于互联网更新频繁，以及从互联网上获取链接存入链接库的时间与网页库收录基于从链接库抽取的链接获取的数据的时间存在差异，当网页库中的数据长时间未被调度时，其所对应的链接库中的链接所对应的网页内容已经发生变化，这种情况下，也会导致网页库中收录的数据与所对应的网页的当前内容不一致，使网页库收录的数据的网页特征实效，从而影响分类器的分类结果。

在根据本公开的一个或多个实施例中，通过获取网页库中包括多个第二数据的数据集合，该第二数据在链接库中具有对应的链接并且对应的调度时间超过预设值；并基于该多个第二数据，更新网页库，进一步使网页库收录的数据与数据所对应的网页的当前内容一致，使基于更新后的网页库进行的搜索结果更加准确。

在一些实施例中，通过获取网页库中各个数据的时间戳，获取该数据所对应的最近被调度的时间点，并基于该时间点获取调度时间。根据一些实施例，设置预设值为10年，所获得的第二数据的调度时间超过10年。

在一些实施例中，如图4所示，步骤S320、基于所述数据集合，更新所述网页库包括：

步骤S410：对所述数据集合中的多个数据进行抽样，以获得包含多个数据的抽样数据集合；以及

步骤S420：对所述抽样数据集合中的多个数据中的各个数据进行更新。

由于从网页库中获取的数据集合的数据量往往非常大，若对网页库中的数据全部进行调度更新，使得数据处理量非常大。在根据本公开的一个或多个实施例中，对从网页库获取的数据集合进行抽样后，对抽样数据集合进行调度更新，以更新网页库，使处理的数据量减少。

在一些实施例中，如图5所示，步骤S410、对所述数据集合进行抽样，以获得抽样数据集合包括

步骤S510：对所述多个第一数据进行第一抽样，以获得第一抽样数据集合；以及

步骤S520：对所述多个第二数据进行第二抽样，以获得第二抽样数据集合。

其中，所述第一抽样数据集合和所述多个第一数据之间的抽样比大于所述第二抽样数据集合和所述多个第二数据之间的抽样比。

在一些技术中，通过从链接库中抽取链接后在互联网上获取数据以定期对网页库进行更新。由于与在链接库中存在对应的链接的第二数据相比，在链接库中不存在对应的链接的第一数据，其无法通过从链接库中抽取链接后在互联网上获取数据以进行更新。因此，在根据本公开的一个或多个实施例中，在对从网页库获取的数据集合进行抽样时，以较第二数据更大的抽样比抽取第一数据，使网页库中后续可以通过从链接库中抽取链接后在互联网上获取数据以进行更新的数据更多，从而可以减少单独更新网页库操作的几率。

在一些实施例中，步骤S320、基于所述数据集合，更新所述网页库还包括：根据数据对应的网页特征与对应的预设检索目标的相关度，对所述数据集合中的各个数据进行分类，以使所述各个数据中的每一个数据均具有唯一对应的分类类型，其中，所述分类类型包括第一类型和第二类型，所述第一类型的数据的所述相关度大于所述第二类型的数据的所述相关度。其中，如图6所示，步骤S510，对所述多个第一数据进行第一抽样，以获得第一抽样数据集合包括：

步骤S610：确定所述多个第一数据中每一个第一数据对应的第一子集，所述第一子集中的每一个第一数据具有相同的分类类型；

步骤S620：确定所述第一子集对应的抽样方法，所述对应的抽样方法被配置为使与所述第一类型对应的所述第一子集的抽样比大于与所述第二类型对应的所述第一子集的抽样比；以及

步骤S630：基于所述对应的抽样方法，对对应的所述第一子集进行抽样。

基于网页库的数据对应的网页特征与对应的预设检索目标的相关度，对数据进行分类，相关度高的数据，其对搜索引擎的搜索结果的准确性有较高的贡献。同时，对于在链接库中不存在对应的链接的第一数据，由于其在链接库中不具有对应的链接，其无法通过从链接库中抽取链接后在互联网上获取数据以进行更新。因此，在抽样过程中，对第一类型的第一数据中以较高的抽样比进行抽样以获得抽样数据集合，从而使后续对该抽样数据集合中的各个数据进行更新以更新网页库的过程中，重要性高的数据较重要性低的数据，以更高的比例被更新，从而在减少数据处理量的同时，可以得到包含更多的第一类型的第一数据的网页库，以更高效的改善基于更新后的网页库的搜索结果。

在一些实施例中，采用网页分类器根据数据对应的网页特征与对应的预设检索目标的相关度对数据进行分类。例如，网页分类器可以是基于神经网络的分类器，该神经网络以网页特征（如标题、图片、内容关键字等）作为输入，获得网页与预设的检索目标的相关度作为输出。预设的检索目标例如可以是检索的关键词等。

在一些实施例中，在步骤S610中，基于分类类型，确定每个分类类型对应的第一子集。例如，将多个第一数据中的同一分类类型的第一数据作为一个第一子集。

在一些实施例中，在步骤S620中，对对应于各个分类类型的第一子集分别确定抽样方法，例如，从下列各项抽样方法中选择一个作为对应的第一子集的抽样方法：全采样；随机抽样；基于预设时间阈值，获取该第一子集中的最近被调度的时间点距离当前时间点的时间长度超过该预设时间阈值的第一数据；以及基于预设站点质量评级，获取该第一子集中的对应站点质量高于该预设站点质量评级的第一数据。其中，在该步骤S620中，所确定的对应的抽样方法被配置为使与第一类型对应的第一子集的抽样比大于与第二类型对应的第一子集的抽样比，从而使相关度较高的第一类型的第一数据较相关度低的第二类型的第二数据以更高的抽样比被抽样，从而使后续基于抽样所得的抽样数据集合进行调度更新以更新网页库的过程中，有更高比例的第一类型的第一数据被更新，从而改善基于更新后的网页库的搜索结果。

在一些实施例中，在步骤S630中，基于步骤S620确定的抽样方法对步骤S610中确定的对应的第一子集进行抽样。

例如，在一个实施例中，根据对应的网页特征与对应的预设检索目标的相关度将数据分为第一类型（A类）、第二类型（B类）和第三类型（C类），其中，第一类型的相关度大于第二类型，第二类型的相关度大于第三类型。在步骤S610中，基于上述分类类型，确定多个第一数据中的每一个第一数据对应的第一子集，即确定第一子集A、第一子集B和第一子集C。在一些实施例中，在步骤S620中，进一步确定上述第一子集A、第一子集B和第一子集C的抽样方法如表1所示：

在一些实施例中，预设抽样比包括80%、50%或30%等任意类型的数值，在此不作限制。

在一些实施例中，预设时间阈值采用公式（1）计算获得：（1）

其中，

GC表示第三类型的第一数据的数量；

表示第三类型的第一数据中的一个第一数据的调度时间，调度时间为该第一数据最近被调度的时间点距离当前时间点的时间长度；

表示比例因子，其可以根据需要人为设置。

在一些实施例中，=4/3。

由于调度时间越长，链接所对应的网页的当前页面内容发生改变的可能性越大。对于第三类型的第一数据，采用基于预设时间阈值，获取该第一子集中的最近被调度的时间点距离当前时间点的时间长度超过该预设时间阈值的第一数据的抽样方法进行抽样，使长时间未被调度的第一数据被抽样后进行调度更新，从而使对应的页面内容更可能发生改变的第一数据被调度更新，提升网页库中的数据与对应的网页的当前页面内容一致，提升网页库的一致性。

在一些实施例中，预设站点质量评级根据该数据对应的站点的更新频率获得。例如，对于更新频率更高的网站中的网页对应的数据，其对应的站点质量评级更高。根据基于站点更新频率获得的预设站点质量评级，获取站点更新频率更高的第三类型的第一数据作为抽样数据，由于该抽样数据对应的站点更新频率更高，其对应的页面内容发生改变的可能性越大，因此，将该对应于站点更新频率更高的第三类型的第一数据作为抽样数据被调度更新，可以更大概率提升网页库中的数据与对应的网页的当前页面内容一致，提升网页库的一致性。

在一些实施例中，如图7所示，步骤S520，对所述多个第二数据进行第二抽样包括：

步骤S710：确定所述多个第二数据中每一个第二数据对应的第二子集，所述第一子集中的每一个第二数据具有相同的分类类型；

步骤S720：确定所述第二子集对应的预设时间阈值，其中，所述对应的预设时间阈值被配置为与所述第一类型对应的所述对应的预设时间阈值小于或者等于与所述第二类型对应的所述对应的预设时间阈值；以及

步骤S730：基于对应的所述预设时间阈值，获取所述第二子集对应的第二抽样子集，其中，所述第二抽样子集中的每一个第二数据的所述调度时间超过对应的预设时间阈值。

对于在所述链接库中具有对应的链接并且对应的调度时间超过预设值的第二数据，由于其长时间未被调度，其对应的页面内容发生改变的可能性越大。因此，在根据本公开的一个或多个实施例中，基于调度时间筛选出该第二数据以作为抽样数据被调度更新，使长时间未被调度的第一数据被抽样后被更新，从而使对应的网页的当前页面内容更可能发生改变的第一数据被调度更新，提升网页库中的数据与对应的网页的当前页面内容一致，提升网页库的一致性。

在一些实施例中，在步骤S710中，基于分类类型，确定每个分类类型对应的第二子集。例如，将多个第二数据中的同一分类类型的第二数据作为一个第二子集。

在一些实施例中，在步骤S720中，确定步骤S710中各个第二子集对应的预设时间阈值。

例如，在一个实施例中，根据对应的网页特征与对应的预设检索目标的相关度将数据分为第一类型（A类）、第二类型（B类）和第三类型（C类），其中，第一类型的相关度大于第二类型，第二类型的相关度大于第三类型。在步骤S710中，基于上述分类类型，确定多个第二数据中的每一个第二数据对应的第二子集，即确定第二子集A、第二子集B和第二子集C。在一些实施例中，在步骤S720中，基于公式（2）确定第二子集A和第二子集B对应的预设时间阈值。

（2）

其中，

表示第一类型的第二数据和第二类型的第二数据的数量；

表示第一类型的第二数据和第二类型的第二数据中一个第二数据的调度时间，调度时间为该第二数据最近被调度的时间点距离当前时间点的时间长度；

表示比例因子，其可以根据需要人为设置。

在一些实施例中，在步骤S720中，基于公式（3）确定第二子集C对应的预设时间阈值。

表示第三类型的第二数据的数量；

表示第三类型的第二数据中一个第二数据的调度时间，调度时间为该第二数据最近被调度的时间点距离当前时间点的时间长度；

表示比例因子，其可以根据需要人为设置。

在一些实施例中，。在一些实施例中，/>，/>。

以上是对从网页库的数据集合中的多个数据进行抽样获取抽样集合的过程进行的示例性介绍。下面对获取抽样数据集合之后，对抽样数据集合中的各个数据进行更新的过程进行示例性介绍。

在一些实施例中，如图8所示，步骤S420、对所述抽样数据集合中的多个数据中的各个数据进行更新包括：

步骤S810：确定所述抽样数据集合中的多个数据的各个数据的调度链接，其中所述调度链接包括所述第一抽样数据集合中的各个第二数据的对应的地址链接，以及所述第二抽样数据集合中的各个第二数据对应的站点链接； 以及

步骤S820：基于所述调度链接，获取与所述调度链接对应的网页数据，其中，所述网页数据包括与所述地址链接对应的网页页面和与所述站点链接具有相同的站点地址的一个或多个网页页面。

对于网页库中的在链接库中不存在对应的链接的第一数据，通过获取对应于该第一数据对应的地址链接的网页的当前页面，可以更新网页库中的该第一数据。对于网页库中的在链接库中存在对应的链接但其调度时间超过预设值的第二数据，由于其长时间未被调度，其与对应的网页的当前页面内容不一致的可能性更大，并且由于其长时间未被调度，其对应的站点链接下的所有网页均可能发生变化。例如，同一个网站下的所有网页页面均失效，由于长时间未被调度，对应于地址中包含有该网站的站点地址的第二数据均与所对应的网页的当前页面内容不一致。为此，获取对地址中包含有第二数据所对应的站点地址的网页页面均收录到网页库，以实现对网页库的更新，可以提高对网页库的更新效率。

在一些实施例中，在步骤S810中，基于第一数据的链接标识确定该第一数据对应的地址链接。在一些实施例中，在步骤S810中，基于第二数据的链接中的站点标识确定该第二数据对应的站点链接。

在一些实施例中，在步骤S820中，基于步骤S810获取的第一数据对应的地址链接，获取该第一链接的当前网页页面。在一些实施例中，在步骤S820中，基于步骤S810获取的站点链接，获取地址中包含该站点链接的所有的网页页面，即该站点下的所有网页页面；并将所获取的网页页面收录到网页库中，实现对抽样数据集合中的各个数据的更新。

在一些实施例中，方法300还包括：对网页库执行一致性检查，其中，步骤S310、基于网页库获取数据集合还包括：响应于确定所述网页库的所述一致性检查的结果为不一致，获取所述网页库的所述数据集合。

获取网页库的数据集合之前，对网页库执行一致性检查，当网页库的一致性结果为不一致时，确定该网页库为网页库，并开始执行步骤S310和步骤S320，以更新该网页库，从而避免对网页库的不必要的更新。

在一些实施例中，对网页库执行一致性检查包括在链接库中检索网页库中的各个数据所对应的链接，若在链接库中不能检索到该数据对应的链接，则将其判断为第一数据，并累计第一数据的量。当该第一数据的量在网页库中的比例超过预设比例时，判断该网页库的一致性结果为不一致。

在一些实施例中，对网页库执行一致性检查包括对网页库中的各个数据的地址进行分析，当该地址对应的站点发生更新，而该地址未更新时，根据该站点的对应的网页数量，获取网页库中调度时间超过预设值的第二数据的量。当该第二数据的量在网页库中的比例超过预设比例时，判断该网页库的一致性结果为不一致。

在一些实施例中，网页库还包括更新后的网页库。对更新后的网页库进行一致性检查，当更新后的网页库的一致性结果为不一致时，将其确定为网页库，再对所确定的网页库进行更新，从而继续更新该网页库，直到确定其一致性结果为一致时为止。

根据本公开的另一方面，还提供播报推送数据的装置。如图9所示，该装置900可以包括：获取单元910，被配置用于基于网页库获取数据集合，其中，所述数据集合包括多个第一数据，所述多个第一数据中的每一个第一数据在链接库中不存在对应的链接；以及更新单元920，被配置用于基于所述数据集合，更新所述网页库。

在一些实施例中，所述多个数据还包括多个第二数据，所述多个第二数据中的每一个第二数据在所述链接库中具有对应的链接并且对应的调度时间超过预设值，其中所述调度时间表征数据最近被调度的时间点距离当前时间点的时间长度。

在一些实施例中，所述更新单元920包括：抽样单元，被配置用于对所述数据集合中的多个数据进行抽样，以获得包含多个数据的抽样数据集合；以及调度单元，被配置用于对所述抽样数据集合中的多个数据中的各个数据进行更新。

在一些实施例中，所述抽样单元包括：第一抽样单元，被配置用于对所述多个第一数据进行第一抽样，以获得第一抽样数据集合；以及第二抽样单元，被配置用于对所述多个第二数据进行第二抽样，以获得第二抽样数据集合，其中所述第一抽样数据集合和所述多个第一数据之间的抽样比大于所述第二抽样数据集合和所述多个第二数据之间的抽样比。

在一些实施例中，所述更新单元还包括：分类单元，被配置用于根据数据对应的网页特征与对应的预设检索目标的相关度，对所述数据集合中的各个数据进行分类，以使所述各个数据中的每一个数据均具有唯一对应的分类类型，其中，所述分类类型包括第一类型和第二类型，所述第一类型的数据的所述相关度大于所述第二类型的数据的所述相关度，以及其中，所述第一抽样单元包括：第一确定单元，被配置用于确定所述多个第一数据中每一个第一数据对应的第一子集，所述第一子集中的每一个第一数据具有相同的分类类型；第二确定单元，被配置用于确定所述第一子集对应的抽样方法，所述对应的抽样方法被配置为使与所述第一类型对应的所述第一子集的抽样比大于与所述第二类型对应的所述第一子集的抽样比；以及第一抽样执行单元，被配置用于基于所述对应的抽样方法，对对应的所述第一子集进行抽样。

在一些实施例中，所述第二抽样单元包括：第三确定单元，被配置用于确定所述多个第二数据中每一个第二数据对应的第二子集，所述第一子集中的每一个第二数据具有相同的分类类型；第四确定单元，被配置用于确定所述第二子集对应的预设时间阈值，其中，所述对应的预设时间阈值被配置为与所述第一类型对应的所述对应的预设时间阈值小于或者等于与所述第二类型对应的所述对应的预设时间阈值，以及第二抽样执行单元，被配置用于基于对应的所述预设时间阈值，获取所述第二子集对应的第二抽样子集，其中，所述第二抽样子集中的每一个第二数据的所述调度时间超过对应的预设时间阈值。

在一些实施例中，所述调度单元还包括：链接确定单元，被配置用于确定所述抽样数据集合中的多个数据的各个数据的调度链接，其中所述调度链接包括所述第一抽样数据集合中的各个第二数据的对应的地址链接，以及所述第二抽样数据集合中的各个第二数据对应的站点链接；以及页面获取单元，被配置用于基于所述调度链接，获取与所述调度链接对应的网页数据，其中，所述网页数据包括与所述地址链接对应的网页页面和与所述站点链接具有相同的站点地址的一个或多个网页页面。

在一些实施例中，装置900还包括检查单元，被配置用于对网页库执行一致性检查；以及获取单元910，被配置用于响应于确定所述网页库的所述一致性检查的结果为不一致，获取所述网页库的所述数据集合。

根据本公开的另一方面，还提供一种电子设备，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计算机程序，所述计算机程序在被所述至少一个处理器执行时实现根据上述的方法。

根据本公开的另一方面，还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被处理器执行时实现根据上述的方法。

根据本公开的另一方面，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图1000，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器（ROM）1002中的计算机程序或者从存储单元1008加载到随机访问存储器（RAM）1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如方法1000。例如，在一些实施例中，方法300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法300的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法300。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (14)

1.一种用于更新网页库的方法，所述方法包括：

基于网页库获取数据集合，其中，所述数据集合包括多个第一数据和多个第二数据，所述多个第一数据中的每一个第一数据在链接库中不存在对应的链接，所述多个第二数据中的每一个第二数据在所述链接库中具有对应的链接并且对应的调度时间超过预设值，其中，所述调度时间表征数据最近被调度的时间点距离当前时间点的时间长度；以及

基于所述数据集合，更新所述网页库，包括：

对所述数据集合中的多个数据进行抽样，以获得包含多个数据的抽样数据集合，包括：

对所述多个第一数据进行第一抽样，以获得第一抽样数据集合；以及

对所述多个第二数据进行第二抽样，以获得第二抽样数据集合，其中

所述第一抽样数据集合和所述多个第一数据之间的抽样比大于所述第二抽样数据集合和所述多个第二数据之间的抽样比；以及

对所述抽样数据集合中的多个数据中的各个数据进行更新。

2.根据权利要求1所述的方法，其中，所述基于所述数据集合，更新所述网页库还包括：

根据数据对应的网页特征与对应的预设检索目标的相关度，对所述数据集合中的各个数据进行分类，以使所述各个数据中的每一个数据均具有唯一的分类类型，其中，所述分类类型包括第一类型和第二类型，所述第一类型的数据的所述相关度大于所述第二类型的数据的所述相关度，以及其中，所述对所述多个第一数据进行第一抽样包括：

确定所述多个第一数据中每一个第一数据对应的第一子集，所述第一子集中的每一个第一数据具有相同的分类类型；

确定所述第一子集对应的抽样方法，所述对应的抽样方法被配置为使与所述第一类型对应的所述第一子集的抽样比大于与所述第二类型对应的所述第一子集的抽样比；以及

基于所述对应的抽样方法，对对应的所述第一子集进行抽样。

3.根据权利要求2所述的方法，其中，所述抽样方法包括下列各项中的任一项：

全采样；

随机抽样；

基于预设时间阈值，获取该第一子集中的最近被调度的时间点距离当前时间点的时间长度超过该预设时间阈值的第一数据；以及

基于预设站点质量评级，获取该第一子集中的对应站点质量高于该预设站点质量评级的第一数据。

4.根据权利要求2所述的方法，其中，所述对所述多个第二数据进行第二抽样包括：

确定所述多个第二数据中每一个第二数据对应的第二子集，所述第一子集中的每一个第二数据具有相同的分类类型；

确定所述第二子集对应的预设时间阈值，其中，所述对应的预设时间阈值被配置为与所述第一类型对应的所述对应的预设时间阈值小于或者等于与所述第二类型对应的所述对应的预设时间阈值；以及

基于对应的所述预设时间阈值，获取所述第二子集对应的第二抽样子集，其中，所述第二抽样子集中的每一个第二数据的所述调度时间超过对应的预设时间阈值。

5.根据权利要求2所述的方法，其中，所述对所述抽样数据集合中的多个数据中的各个数据进行更新包括：

确定所述抽样数据集合中的多个数据的各个数据的调度链接，其中所述调度链接包括所述第一抽样数据集合中的各个第二数据的对应的地址链接，以及所述第二抽样数据集合中的各个第二数据对应的站点链接；以及

基于所述调度链接，获取与所述调度链接对应的网页数据，其中，所述网页数据包括与所述地址链接对应的网页页面和与所述站点链接具有相同的站点地址的一个或多个网页页面。

6.根据权利要求1-5中任一项所述的方法，还包括：

对所述网页库执行一致性检查；以及其中，所述基于网页库获取数据集合包括：

响应于确定所述网页库的所述一致性检查的结果为不一致，获取所述网页库的所述数据集合。

7.根据权利要求6所述的方法，所述网页库包括经更新的所述网页库。

8.一种用于更新网页库的装置，包括：

获取单元，被配置用于基于网页库获取数据集合，其中，所述数据集合包括多个第一数据和多个第二数据，所述多个第一数据中的每一个第一数据在链接库中不存在对应的链接，所述多个第二数据中的每一个第二数据在所述链接库中具有对应的链接并且对应的调度时间超过预设值，其中，所述调度时间表征数据最近被调度的时间点距离当前时间点的时间长度；以及

更新单元，被配置用于基于所述数据集合，更新所述网页库，其中，所述更新单元包括：

抽样单元，被配置用于对所述数据集合中的多个数据进行抽样，以获得包含多个数据的抽样数据集合，其中，所述抽样单元包括：

第一抽样单元，被配置用于对所述多个第一数据进行第一抽样，以获得第一抽样数据集合；以及

第二抽样单元，被配置用于对所述多个第二数据进行第二抽样，以获得第二抽样数据集合，其中

所述第一抽样数据集合和所述多个第一数据之间的抽样比大于所述第二抽样数据集合和所述多个第二数据之间的抽样比；以及

调度单元，被配置用于对所述抽样数据集合中的多个数据中的各个数据进行更新。

9.根据权利要求8所述的装置，所述更新单元还包括：

分类单元，被配置用于根据数据对应的网页特征与对应的预设检索目标的相关度，对所述数据集合中的各个数据进行分类，以使所述各个数据中的每一个数据均具有唯一对应的分类类型，其中，所述分类类型包括第一类型和第二类型，所述第一类型的数据的所述相关度大于所述第二类型的数据的所述相关度，以及其中，所述第一抽样单元包括：

第一确定单元，被配置用于确定所述多个第一数据中每一个第一数据对应的第一子集，所述第一子集中的每一个第一数据具有相同的分类类型；

第二确定单元，被配置用于确定所述第一子集对应的抽样方法，所述对应的抽样方法被配置为使与所述第一类型对应的所述第一子集的抽样比大于与所述第二类型对应的所述第一子集的抽样比；以及

第一抽样执行单元，被配置用于基于所述对应的抽样方法，对对应的所述第一子集进行抽样。

10.根据权利要求9所述的装置，其中，所述第二抽样单元包括：

第三确定单元，被配置用于确定所述多个第二数据中每一个第二数据对应的第二子集，所述第一子集中的每一个第二数据具有相同的分类类型；

第四确定单元，被配置用于确定所述第二子集对应的预设时间阈值，其中，所述对应的预设时间阈值被配置为与所述第一类型对应的所述对应的预设时间阈值小于或者等于与所述第二类型对应的所述对应的预设时间阈值；以及

第二抽样执行单元，被配置用于基于对应的所述预设时间阈值，获取所述第二子集对应的第二抽样子集，其中，所述第二抽样子集中的每一个第二数据的所述调度时间超过对应的预设时间阈值。

11.根据权利要求8所述的装置，其中，所述调度单元还包括：

链接确定单元，被配置用于确定所述抽样数据集合中的多个数据的各个数据的调度链接，其中所述调度链接包括所述第一抽样数据集合中的各个第二数据的对应的地址链接，以及所述第二抽样数据集合中的各个第二数据对应的站点链接；以及

页面获取单元，被配置用于基于所述调度链接，获取与所述调度链接对应的网页数据，其中，所述网页数据包括与所述地址链接对应的网页页面和与所述站点链接具有相同的站点地址的一个或多个网页页面。

12.根据权利要求8-11中任一项所述的装置，还包括：

检查单元，被配置用于对所述网页库执行一致性检查；以及所述获取单元被配置用于响应于确定所述网页库的所述一致性检查的结果为不一致，获取所述网页库的所述数据集合。

13.一种电子设备，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权利要求1-7中任意一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。