[发明专利]一种基于垂直行业的多任务式采集与收割方法

权利要求书

1.一种基于垂直行业的多任务式采集与收割方法, 其特征在于,具体步骤如下：

步骤1：客户根据需求主题，通过某些或者某类行业网站，分析并定义出所需的数据要素，发送给本专利的gReap采割系统；

步骤2：gReap采割系统根据请求数据，自动匹配行业模板及其采割方法，并回馈给客户以验证是否符合要求，如果不符合，提供给用户自定义数据模型和采割方法，以便gReap按需提供实现数据和内容的交付；

步骤3：确定任务模板，gReap系统中的适配模块首先接收到这个模板，将模板分解为多个采集任务，并将每个任务分配给调度监控集群；

步骤4：调度节点根据任务进行按维度划分，并负责将各个子任务分配给执行节点，同时监控执行情况，对于异常或者出错的子任务动态迁移到正常执行节点，调度节点与执行节点依赖MapReduce计算模型；

步骤5：执行节点融合Nutch思路，按独立网址维护采集周期，并纳入gReap语义化采集模块进行采集，该模块用以解决主要反爬宿主的数据采集；

步骤6：在执行完成采集以后，执行节点主动心跳状态，gReap系统收割模块负责异构收割，并按照一定的规则进行数据预处理，并进行收割库归档，以备后续数据分析；

步骤7：收割库的归档借助于Hadoop分布式文件系统，采用列式数据分布存储方式，以提供海量存储和高性能的读写速度，以及安全的容灾能力。