[发明专利]Web网站产品详细信息的分类抓取及产品信息库建立方法

权利要求书

1.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。

2.Web网站产品详细信息的产品信息库构建方法，其特征在于：所述方法是针对采用权利要求1的分类抓取方法抓取的网页，通过分析各分类子页面源文件，根据产品列表信息块和产品所属分类信息块，提取产品信息和产品所属分类信息字段，获取字段中的id及文本描述信息，最后建立网站产品id、所属各级分类id的映射关系，并对id描述说明，构建成产品信息库。

3.根据权利要求2所述的Web网站产品详细信息的产品信息库构建方法，其特征在于：所述产品信息库分别由id映射、产品id描述、分类id描述3个表格组成；id映射表由产品id编号、产品所属各级分类id组成；产品id描述表由产品id和产品的文本描述组成；分类id描述表由各级分类id和其文本描述组成。

4.根据权利要求2或3所述的Web网站产品详细信息的产品信息库构建方法，其特征在于：所述建立产品信息库的方法如下：

步骤1：解析分类子页面源文件，获取产品列表信息块和产品所属分类信息块；

步骤2：提取产品所属分类信息块中的分类信息字段；

步骤3：提取产品列表信息块中的每个产品的产品信息字段；

步骤4：提取分类信息字段和产品信息字段中的id和文本描述信息；

步骤5：按照表格格式输入id字段和文本描述信息，最后存入数据库。