主权项 |
一种基于垂直行业的多任务式采集与收割方法, 其特征在于,具体步骤如下:步骤1:客户根据需求主题,通过某些或者某类行业网站,分析并定义出所需的数据要素,发送给本专利的gReap采割系统;步骤2:gReap采割系统根据请求数据,自动匹配行业模板及其采割方法,并回馈给客户以验证是否符合要求,如果不符合,提供给用户自定义数据模型和采割方法,以便gReap按需提供实现数据和内容的交付;步骤3:确定任务模板,gReap系统中的适配模块首先接收到这个模板,将模板分解为多个采集任务,并将每个任务分配给调度监控集群;步骤4:调度节点根据任务进行按维度划分,并负责将各个子任务分配给执行节点,同时监控执行情况,对于异常或者出错的子任务动态迁移到正常执行节点,调度节点与执行节点依赖MapReduce计算模型;步骤5:执行节点融合Nutch思路,按独立网址维护采集周期,并纳入gReap语义化采集模块进行采集,该模块用以解决主要反爬宿主的数据采集;步骤6:在执行完成采集以后,执行节点主动心跳状态,gReap系统收割模块负责异构收割,并按照一定的规则进行数据预处理,并进行收割库归档,以备后续数据分析;步骤7:收割库的归档借助于Hadoop分布式文件系统,采用列式数据分布存储方式,以提供海量存储和高性能的读写速度,以及安全的容灾能力。 |