一种文章实时智能抓取系统和方法

摘要

一种文章实时智能抓取系统，包括实时抓取模块、网页抽取系统、文档近似排重模块、文档自动分类模块和文章发布模块。所述实时抓取模块还包括线上运行的7个模块：任务提取模块、任务解析模块、任务抓取时间范围检验模块、任务抓取时间间隔检验模块、任务调度模块、任务下载模块、任务抓取频率调整模块；还包括线下运行的3个模块：任务抓取时间范围发现模块、任务抓取时间间隔发现模块、免费代理收集和验证模块。

主权项

一种文章实时智能抓取系统，其特征在于，所述系统包括实时抓取模块、网页抽取系统、文档近似排重模块、文档自动分类模块和文章发布模块；所述实时抓取模块包括线上和线下运行子模块； 其中所述线上运行子模块包括： 任务提取模块，从任务job集合中轮流提取一个job； 任务解析模块，对每一个任务job进行解析，解析结果将会形成一些属性和规则； 任务抓取时间范围检验模块，查询任务的时间范围参数，如果时间范围不包含当前时间，将不抓取，跳过本job，否则，进行抓取时间间隔检验； 任务抓取时间间隔检验模块，查询任务的抓取时间间隔，如果时间间隔指定下一次抓取时间大于当前，则将不抓取，跳过本job，否则，进行任务抓取； 任务调度模块，根据任务解析模块的job其它属性进行job调度，调度时候会判断，如果这个job以往已经存在，则不分发，仍然采用本地服务器来抓取；否则，选择服务器群中现jobs数目较少的一台服务器，以实现抓取任务的均衡，从而优化总体的抓取速度；同时考虑尽量避免一台服务器上同网站job太多，以防止单台服务器对单个网站抓取压力太大； 任务下载模块，进行任务的具体下载，去代理库中取适当数目的代理；如果没有代理可取，则采用非代理抓取；同时将无代理和上述所取代理合并，形成代理集合；根据解析得到的任务参数，从代理集合中随机选择一个代理，进行任务的本轮下载； 任务抓取频率调整模块，根据job的抓取间隔基数，如果本轮抓取发现更新，则随机减少下一轮次抓取时间间隔；如果没有发现更新，则随机放大下一轮次的抓取间隔；但是保证时间间隔是job的抓取间隔基数的[0.5,2]倍数范围内； 其中所述线下运行子模块包括： 任务抓取时间范围发现模块，执行历史抓取日志智能分析工作，从中分析出每一个任务job的时间范围； 任务抓取时间间隔发现模块，读入昨天的抓取日志，分析每一个job的一天所有轮次的抓取情况，从中分析出每一个job的更新情况；如果发现job的当前间隔基数保证了５0%以上轮次可以抓取到更新，则不调整；否则适当放大当前间隔 基数，以降低无谓抓取请求； 免费代理收集和验证模块，从互联网免费代理分享网站下载当天的免费代理集合，对这些免费代理进行验证；随机选择历史抓取链接形成验证url集合，使用每一个代理来执行若干次的url抓取，剔除掉不能成功抓取或者抓取速度太慢的代理，留下成功率高同时速度快的代理，形成当天的代理库，以为线上抓取提供代理支持。