一種用于分布式爬蟲網(wǎng)址去重的方法

基本信息

申請?zhí)?/td> CN202010303523.9 申請日 -
公開（公告）號 CN111522847A 公開（公告）日 2020-08-11
申請公布號 CN111522847A 申請公布日 2020-08-11
分類號 G06F16/2455(2019.01)I 分類 -
發(fā)明人 徐利東;遠(yuǎn)貴良 申請（專利權(quán)）人 山東貝賽信息科技有限公司
代理機(jī)構(gòu) 濟(jì)南瑞宸知識產(chǎn)權(quán)代理有限公司 代理人 山東貝賽信息科技有限公司
地址 250000山東省濟(jì)南市經(jīng)十路7000號漢峪金谷金融商務(wù)中心A4-(3)辦公樓34層3401室
法律狀態(tài) -

摘要

摘要 本發(fā)明公開了一種用于分布式爬蟲網(wǎng)址去重的方法，分布式爬蟲網(wǎng)址去重的步驟如下：采集URL集合、初次計(jì)算、二次計(jì)算、判斷數(shù)據(jù)是否存在一、判斷數(shù)據(jù)是否存在二、完成采集。本發(fā)明取得如下技術(shù)效果：解決了大規(guī)模網(wǎng)頁地址去重的瓶頸問題，該方法可以自由拓展分布式內(nèi)存數(shù)據(jù)庫的數(shù)量，滿足任何數(shù)據(jù)規(guī)模的去重需求，由于基于內(nèi)存數(shù)據(jù)庫，所以去重效率非常高，由于是分布式，所有不存在內(nèi)存溢出或者I/O超載的情況。??