发明名称 |
一种用于爬取页面的方法和设备 |
摘要 |
本发明的目的是提供一种用于爬取页面的方法与设备。其中,爬取设备根据已爬取页面,获取对应候选爬取页面的候选页面标识信息;根据所述候选爬取页面与所述已爬取页面的关联性信息,将所述候选页面标识信息添加至对应的待爬页面集合,其中,所述待爬页面集合包括一个或多个待爬取页面的页面标识信息;根据所述待爬页面集合,确定待爬取页面的目标爬取标识信息;爬取所述目标爬取标识信息所对应的目标页面。与现有技术相比,本发明通过根据所述关联性信息,有效的控制了爬取的调度行为,以实现爬取调度的可配置性,使得爬取能够目的性的扩散,控制爬虫在网页间移动的方向和速度,提高了垂直爬虫的爬取效率,保证了爬取数据的完整性。 |
申请公布号 |
CN103226568A |
申请公布日期 |
2013.07.31 |
申请号 |
CN201310078316.8 |
申请日期 |
2013.03.12 |
申请人 |
北京百度网讯科技有限公司 |
发明人 |
王江;刘浩 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
北京汉昊知识产权代理事务所(普通合伙) 11370 |
代理人 |
罗朋;周建华 |
主权项 |
一种用于爬取页面的方法,其中,该方法包括以下步骤:x根据已爬取页面,获取对应候选爬取页面的候选页面标识信息;y根据所述候选爬取页面与所述已爬取页面的关联性信息,将所述候选页面标识信息添加至对应的待爬页面集合,其中,所述待爬页面集合包括一个或多个待爬取页面的页面标识信息;其中,该方法还包括:a根据所述待爬页面集合,确定待爬取页面的目标爬取标识信息;b爬取所述目标爬取标识信息所对应的目标页面。 |
地址 |
100085 北京市海淀区上地十街10号百度大厦2层 |