[发明专利]一种基于垂直行业的多任务式采集与收割方法

说明书

技术领域

本发明涉及一种计算机应用, 涉及行业垂直搜索采集、分布式计算与存储技术领域，具体地说是一种基于垂直行业的多任务式采集与收割方法。

背景技术

当今已经是数据大爆炸的时代，各个行业面临着大部分的问题如下：

1、集中管理互联网垂直行业数据。从无规则、无行业分类的互联网获取到针对性的行业价值的信息；

2、主流的Nutch等很难原生的满足多任务，并且定制采集和加工数据的需求，同时还需要解决大型互联网公司的反爬机制；

3、采集到的互联网数据如何自动收割和语义化存储，并与内部数据做共享与整合； 

4、海量数据的存储，快速读写与容灾；

5、集群管理维护难。原有系统没有一个从硬件到软件到服务状态的整体监控和管理系统。

发明内容

本发明的目的是基于“自定义的主从式、多任务采集和收割”将客户定义的一个垂直行业业务需求，进行智能的匹配采集源和数据元素；将定义好的一个需求主题经过本专利的gReap系统进行多任务化为任务集合，集合中任意一个任务可再按维度细化成子任务，按照主从心跳模式由调度节点分配给执行节点执行采集，对于执行完采集的节点，调度节点主动进行收割，采取分布式存储，并与行业内部组织数据进行整合分析的技术。

本发明的目的是按以下方式实现的，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。

本发明的目的有益效果是：该方法用以填补市面主流搜索采集及其数据汇总技术的部分短板。解决了垂直行业关于多源化、互异化数据采集中多任务定制与协同困难，定制化解析语义不强，无法智慧化数据并及时收割等难题。通过实现该方法的互联网行业数据采集，再叠加政府企业内部组织数据以融合大数据，让我们透过数据背后分析出市场价值与趋势。

附图说明

图1为gReap系统的整体核心流程图。

具体实施方式

参照说明书附图对本发明的方法作以下详细地说明。

提供一种基于垂直行业的多任务式采集与收割方法，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；