发明名称 |
Web网站产品详细信息的分类抓取及产品信息库建立方法 |
摘要 |
本发明针对Web网站产品信息的获取设计了一种网页抓取方法,首先抓取网站产品一级分类的首页,通过分析抓取的分类首页源文件,获取下一级产品分类首页链接;然后逐级抓取,直到网站所有分类首页抓取完毕;通过分析所有分类子页面的源文件,获取翻页元素和各分类页面数,然后生成各分类的子页面链接,最后根据各分类的子页面链接,完成各分类子页面的抓取。同时通过分析爬虫抓取的产品分类子页面源文件,提取产品详细信息和产品所属分类信息,建立网站产品id、分类id以及其他详细信息的映射关系,构建产品信息库。 |
申请公布号 |
CN103927400B |
申请公布日期 |
2017.04.19 |
申请号 |
CN201410190477.0 |
申请日期 |
2014.05.07 |
申请人 |
重庆邮电大学 |
发明人 |
雒江涛;申健;杨军超;刘勇;高伟;邓生雄;王小平 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
重庆华科专利事务所 50123 |
代理人 |
康海燕 |
主权项 |
Web网站产品详细信息的分类抓取方法,其特征在于:首先抓取网站产品一级分类的首页,通过分析抓取的分类首页源文件,获取下一级产品分类首页链接;然后逐级抓取,直到网站所有分类首页抓取完毕;通过分析各级分类子页面的源文件,获取翻页元素和各分类页面数,然后生成各分类的子页面链接,最后根据各分类的子页面链接,完成各分类子页面的抓取;各分类页面抓取的具体步骤如下:步骤1:一级分类首页的url导入url任务队列;步骤2:判断url任务队列否为空,若不为空则网站的分类首页还未抓取完毕;若为空则表示网站的所有分类首页已抓取完,跳至步骤8,开始抓取各分类子页面;步骤3:若url任务队列不为空,则根据url队列中的网站分类首页url开始抓取网页;步骤4:记录url的抓取状态;保存抓取成功的分类首页源文件和url;未抓取成功的分类首页的url再次加入url任务队列;三次抓取失败的url则认为此url无效;步骤5:解析分类首页源文件,获取下一级产品分类的首页url;步骤6:根据抓取成功的页面url,对解析出的url去重,然后加入url任务队列;步骤7:循环步骤2,直到网站所有分类首页源文件抓取完;步骤8:解析所有分类首页源文件,获取各分类页面数、翻页元素和分类首页url;步骤9:根据获取的各分类页面数、翻页元素和分类首页url,生成各分类的子页面链接;步骤10:根据各分类的子页面链接,抓取全部分类子页面;步骤11:保存各分类子页面源文件。 |
地址 |
400065 重庆市南岸区黄桷垭崇文路2号 |