[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

说明书

技术领域

本发明涉及互联网网络爬虫领域。针对有产品编号的网站，利用网络爬虫建立产品id、分类id与其他详细信息的映射关系。

背景技术

随着Internet技术的迅速发展，Web网站产品的不断丰富，人们对信息价值认识的不断提高，从而激发了人们从Web网站海量产品信息中挖掘有用信息的需求。将海量的产品信息精准分类，建立产品信息库，是挖掘有用信息的一个重要依据。在整个数据挖掘过程中，网络爬虫扮演着一个重要的角色，网络爬虫抓取的网页是大数据分析的数据来源，这些数据将直接响着数据挖掘的准确性，但是传统的网络爬虫是尽可能全面的抓取页面信息，这样缺乏目的性抓取将导致传统爬虫抓取效率的降低，这种方法对于包含海量产品信息的网站是不适用的。

通常有产品编码的Web网站主要由产品页面和产品分类页面组成。产品页面主要由产品详细信息组成；产品分类页面包含一个或多个子页面，子页面主要由产品列表信息块和产品所属分类信息块组成。这样通过分析子页面的源文件，可以将产品归类。

发明内容

基于现有技术存在的不足和以上发现，本发明提出一种对Web网站产品详细信息分类抓取的方法，针对性抓取Web网站的产品分类子页面；同时通过分析爬虫抓取的产品分类子页面源文件，提取产品详细信息和产品所属分类信息，建立网站产品id、分类id以及其他详细信息的映射关系，构建产品信息库。

本发明针对Web网站产品信息的获取设计了一种网页抓取方法，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；通过分析所有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。

各分类页面的抓取具体步骤如下：

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。

进一步，本发明提出一种基于以上分类抓取方法的Web网站产品详细信息的产品信息库构建方法。本发明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，建立产品id与所属各级分类id的映射关系，并对id描述说明，构建产品信息库。

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和其他详细信息组成；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。

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（如网页面包屑导航条）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。

本发明的优点如下：