申请/专利权人：山东亿云信息技术有限公司

申请日：2022-12-29

公开（公告）日：2023-03-28

公开（公告）号：CN115858963A

主分类号：G06F16/955

分类号：G06F16/955;G06F16/958

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.04.14#实质审查的生效;2023.03.28#公开

摘要：本发明属于数据采集技术领域，提供了一种面向互联网采集的栏目页智能获取方法及系统。该方法包括，根据当前站点url获取网页HTML源代码；根据网页HTML源代码获取当前网页中的所有a标签节点；对a标签进行过滤，获取有效a标签和有效a标签信息列表；遍历有效a标签信息列表，记当前a标签信息为item_a，判断item_a是否满足加入栏目页列表的条件，若是，则加入栏目页列表，否则，不加入栏目页列表；判断站点的深度是否小于设置的采集深度阈值，如果不小于采集深度阈值，结束循环；如果小于采集深度阈值，遍历有效a标签信息列表，记当前有效a标签的url为当前站点url且站点深度值自增1，迭代循环，直至站点的深度不小于采集深度阈值；返回栏目页列表结果。

主权项：1.一种面向互联网采集的栏目页智能获取方法，其特征在于，包括：步骤1：根据当前站点url获取网页HTML源代码；步骤2：根据网页HTML源代码获取当前网页中的所有a标签节点；步骤3：对a标签进行过滤，获取有效a标签和有效a标签信息列表；其中，所述有效a标签为超链接是网页的a标签，所述有效a标签信息列表包括有效a标签的href属性值及标题信息；步骤4：遍历有效a标签信息列表，记当前a标签信息为item_a，判断item_a是否满足加入栏目页列表的条件，若是，则加入栏目页列表，否则，不加入栏目页列表；步骤5：判断站点的深度是否小于设置的采集深度阈值，如果不小于采集深度阈值，结束循环，执行步骤7；如果小于采集深度阈值，则执行步骤6；步骤6：遍历有效a标签信息列表，记当前有效a标签的url为当前站点url且站点深度值自增1，继续执行步骤1至步骤5；步骤7：返回栏目页列表结果。

全文数据：

权利要求：

百度查询： 山东亿云信息技术有限公司 一种面向互联网采集的栏目页智能获取方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD