本说明书涉及计算机技术领域，尤其涉及一种网页爬虫方法、装置以及电子设备。
背景技术：
随着网络技术的发展，网络当中包含有越来越多的数据，人们如果想要获取数据通常采用爬虫技术从网页或数据库当中获取数据。
在现有技术中的爬虫方案，一般先选择需要爬取数据的网站，可以为一个或者多个，确定需要爬取的具体内容等信息；接下来，由专业人员对网站进行分析，在分析完带爬取网站后，确定提取规则；针对不同的网站进行的代码的编写，如果需要爬取新的网站或者发现原来爬取网站中一些新的内容需要爬取，就必须重新修改代码，然后固定在代码中执行爬虫任务。提高了爬取数据的门槛，也增加了工作量；同时，由于任何字段或者网站的更改，都必须修改代码来实现，不能够由用户自己灵活的进行配置，可扩展性低，通用效果差。
基于现有技术，需要能够简单、高效的配置爬虫的方案。
技术实现要素：
本说明书实施例提供一种网页爬虫方法、装置以及电子设备，用于解决以下技术问题：需要能够简单、高效的配置爬虫的方案。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种网页爬虫方法，包括：
基于配置模板，设置配置信息；其中，所述配置信息包括列表页配置信息和详细页配置信息；
根据所述列表页配置信息，爬取列表页信息；
基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息。
进一步地，所述配置模板根据代码规范预先设定，用于设置所述配置信息。
进一步地，所述列表页配置信息包括：待爬取网址、网站翻页规则；
所述详细页配置信息包括：字段信息、字段规则。
进一步地，所述根据所述列表页配置信息，爬取列表页，具体包括：
获取任务地址；
根据所述任务地址，读取所述待爬取网址和/或所述网站翻页规则；
根据所述待爬取网址和/或所述网站翻页规则，爬取所述列表页信息包含的字段信息和详细页网址。
进一步地，所述网站翻页规则包括：
直接提取网址或通过模拟点击获取网址。
进一步地，所述基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息，具体包括：
根据预设的处理规则，对列表页信息包含的字段信息和详细页网址进行预处理；
根据所述预处理结果和所述字段规则，爬取对应的指定信息。
本说明书实施例提供的一种网页爬虫装置，包括：
配置模块，基于配置模板，设置配置信息；其中，所述配置信息包括列表页配置信息和详细页配置信息；
第一爬取模块，根据所述列表页配置信息，爬取列表页信息；
第二爬取模块，基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息。
进一步地，所述配置模板根据代码规范预先设定，用于设置所述配置信息。
进一步地，所述列表页配置信息包括：待爬取网址、网站翻页规则；
所述详细页配置信息包括：字段信息、字段规则。
进一步地，所述根据所述列表页配置信息，爬取列表页，具体包括：
获取任务地址；
根据所述任务地址，读取所述待爬取网址和/或所述网站翻页规则；
根据所述待爬取网址和/或所述网站翻页规则，爬取所述列表页信息包含的字段信息和详细页网址。
进一步地，所述网站翻页规则包括：
直接提取网址或通过模拟点击获取网址。
进一步地，所述基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息，具体包括：
根据预设的处理规则，对列表页信息包含的字段信息和详细页网址进行预处理；
根据所述预处理结果和所述字段规则，爬取对应的指定信息。
本说明书实施例提供的一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于配置模板，设置配置信息；其中，所述配置信息包括列表页配置信息和详细页配置信息；
根据所述列表页配置信息，爬取列表页信息；
基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
把原本需要固定在代码中的配置信息提取出来，和代码进行解耦，降低代码和爬虫配置的依赖性，不需要用户再对待爬取网页的规则和内容进行分析，通过生成预设的配置模板进行配置，可以满足新增需求而不用修改代码的目的；降低代码的维护成本，提高代码利用效率。同时，该配置模板中预设有对应多种网址规则、字段规则、网页编码类型等的配置信息，可以满足用户多种需求和扩展需求，也扩大了代码的适用范围。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书的方案在实际应用场景下涉及的网页爬虫过程的示意图；
图2为本说明书实施例提供的一种网页爬虫方法的流程示意图；
图3为本说明书实施例提供的列表页爬取方法的流程的示意图；
图4为本说明书实施例提供的详细页爬取方法的流程的示意图；
图5为本说明书实施例提供的一种网页爬虫装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本说明书的方案在一种实际应用场景下涉及的网页爬虫过程的示意图。例如，用户想要爬取与主题相关的内容，用户可以通过配置模板设定待爬取网址、待爬取字段信息和网址规则、字段规则等信息。对配置模板设置完成后，先根据配置信息爬取列表页，包括详细页网址、字段信息等等，进一步地，根据配置信息对详细页网址中的内容进行爬取，获得指定信息。
需要说明的是，配置模板是基于配置数据库和可视化界面设计的，能够供用户直观的进行配置信息填写的界面，并且该配置模板可以预设爬取各种网址规则、字段规则的配置信息。另外，图1所示的配置模板以服务器的形式示出，表征配置模板可以运行在服务器上，当然，该服务器并非仅是单一一台，还可能采用集群或分布式架构(这两种架构并未在图中示出)。
基于上述场景，下面对本说明书的方案进行详细说明。
图2为本说明书实施例提供的一种网页爬虫方法的流程示意图，该方法具体可以包括以下步骤：
步骤s201：基于配置模板，设置配置信息；其中，所述配置信息包括列表页配置信息和详细页配置信息。
该配置模板可以通过ui(userinterface，用户界面)进行配置信息的设置。配置信息可以有网址相关配置信息(例如，url规则)，也可以有网页配置信息(例如，网页编码规则)等等。并且该配置模板可以根据用户需求增加配置信息，例如，用户第一次进行配置的关键字段“房价”，用户又想进一步了解“贷款”相关信息，则用户可以进一步增加关键字段“贷款”进行进一步爬取；从而可以满足用户的不同需求，扩大适用范围的同时，不需要对代码进行修改，简化爬虫操作，提高爬取效率。
需要说明的是，在实际应用中，所述列表配置信息和详细页配置信息不是一种严格的区分，在列表页配置信息中也可能对待爬取的详细页中的字段信息进行设置。
步骤s203：根据所述列表页配置信息，爬取列表页信息。
该列表页主要包含待爬取的网页地址(url，uniformresourcelocation统一资源定位符)信息。该列表页中的网址，包括用户指定网址，也包括通过爬取获得的网址。进一步地，为了避免重复爬取，列表页中将带爬取网址和未爬取网址分开存储。
具体举例来说，爬取列表页信息包括以下步骤：①获取初始的url。初始的url地址可以由用户人为地指定，也可以由用户指定的某个或某几个初始爬取网页决定。②根据初始的url爬取页面并获得新的url。获得初始的url地址之后，首先需要爬取对应url地址中的网页，爬取了对应的url地址中的网页后，将网页存储到原始列表页中，并且在爬取网页的同时，发现新的url地址，同时将已爬取的url地址存放到一个url列表页中，用于去重及判断爬取的进程。③将新的url放到url列表页的队列中。在第②步中，获取了下一个新的url地址之后，会将新的url地址放到url列表页队列中。④从url队列中读取新的url，并依据新的url爬取网页，同时从新网页中获取新url，并重复上述的爬取过程。
步骤s205：基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息。
这里所说的详细页可以理解为用户指定的网址页(即，url)，基于指定网页进行指定信息的爬取。指定信息可以是用户指定的主题类型、具体字段信息等。在爬取过程中，根据详细页配置信息对列表页信息进行爬取，由于配置模板已和底层代码实现解耦(比如，爬取文章的标题，按照如下配置即可{"field":"title","type":"xpath","val":"tr[1]/td[2]/a/text()"})，用户可以在爬取过程中对配置信息进行调整，不需要对底层代码进行改动，可以有效提升爬虫效率。
根据上述实施例，把原本需要固定在代码中的配置信息提取出来，和代码进行解耦，降低代码和爬虫配置的依赖性，不需要用户再对待爬取网页的规则和内容进行分析，通过生成预设的配置模板进行配置，可以满足新增需求而不用修改代码的目的；降低代码的维护成本，提高代码利用效率。同时，该配置模板中预设有对应多种网址规则、字段规则、网页编码类型等的配置信息，可以满足用户多种需求和扩展需求，也扩大了代码的适用范围。
在本说明书一个或者多个实施例中，所述配置模板根据代码规范预先设定，用于设置所述配置信息。
为了满足用户自定义配置信息的需求，该配置模板预设有各种配置信息端口，能够对应不同功能的底层代码，实现配置模板与底层代码的解耦。用户在不了解底层代码的情况下，基于该配置模板就可以设定自己想要爬取的指定信息，能够有效的提升爬取的工作效率。
在本说明书一个或者多个实施例中，所述列表页配置信息包括：待爬取网址、网站翻页规则；所述详细页配置信息包括：字段信息、字段规则。
如前文所述，在列表页当中，包含需要爬取的网址信息(即，url)。在实际爬取过程中，需要根据初始url进行爬取，这个初始url可由用户直接提供，或者根据用户指定的某个或某几个初始爬取网页决定。要获取网址，需要预先设定在网页当中可能存在的翻页规则，以便更容易的爬取到所需网址。
在详细页配置信息中，往往设定的是具体爬取指定信息相关的规则，例如，爬取的主题信息、url规则等等。
在本说明书一个或者多个实施例中，所述根据所述列表页配置信息，爬取列表页，具体步骤如图3所示，可以包括：步骤s301：获取任务地址；步骤s303：根据所述任务地址，读取所述待爬取网址和/或所述网站翻页规则；步骤s305：根据所述待爬取网址和/或所述网站翻页规则，爬取所述列表页信息包含的字段信息和详细页网址。
具体来说，任务地址可以是有系统自动分配给任务的唯一编号，例如，从第一个任务地址设定编号为1后，其他任务地址依次递增。
在本说明书一个或者多个实施例中，所述网站翻页规则包括：直接提取网址或通过模拟点击获取网址。
在实际应用中，对网址的翻页操作，可以通过模拟点击，有的网址信息直接在网页内容当中。针对不同的网站的网页翻页规则是不同的，需要在配置模板中预先定义。例如，在当前网页当中，包含有“下一页”的连接按钮，如果想要爬取“下一页”的网址，可以通过模拟点击的方式获取具体的url。
在本说明书一个或者多个实施例中，所述基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息，具体步骤如图4所示，可以包括以下步骤：步骤s401：根据预设的处理规则，对列表页信息包含的字段信息和详细页网址进行预处理；步骤s403：根据所述预处理结果和所述字段规则，爬取对应的指定信息。
这里所说的预处理规则可以包括对url的预处理(即，解析url)、数据格式的分析、网页编码的解析和有价值数据的提取。
基于同样的思路，本说明书实施例还提供了一种网页爬虫装置，如图5所示，包括：
配置模块501，基于配置模板，设置配置信息；其中，所述配置信息包括列表页配置信息和详细页配置信息；
第一爬取模块502，根据所述列表页配置信息，爬取列表页信息；
第二爬取模块503，基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息。
进一步地，所述配置模板根据代码规范预先设定，用于设置所述配置信息。
进一步地，所述列表页配置信息包括：待爬取网址、网站翻页规则；
所述详细页配置信息包括：字段信息、字段规则。
进一步地，所述根据所述列表页配置信息，爬取列表页，具体包括：
获取任务地址；
根据所述任务地址，读取所述待爬取网址和/或所述网站翻页规则；
根据所述待爬取网址和/或所述网站翻页规则，爬取所述列表页信息包含的字段信息和详细页网址。
进一步地，所述网站翻页规则包括：
直接提取网址或通过模拟点击获取网址。
进一步地，所述基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息，具体可以包括：
根据预设的处理规则，对列表页信息包含的字段信息和详细页网址进行预处理；
根据所述预处理结果和所述字段规则，爬取对应的指定信息。
基于同样的思路，本说明书实施例还提供了一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于配置模板，设置配置信息；其中，所述配置信息包括列表页配置信息和详细页配置信息；
根据所述列表页配置信息，爬取列表页信息；
基于获取的所述列表页信息和所述详细页配置信息，爬取指定信息。
基于上述实施例，把原本需要固定在代码中的配置信息提取出来，和代码进行解耦，降低代码和爬虫配置的依赖性，不需要用户再对待爬取网页的规则和内容进行分析，通过生成预设的配置模板进行配置，可以满足新增需求而不用修改代码的目的；降低代码的维护成本，提高代码利用效率。同时，该配置模板中预设有对应多种网址规则、字段规则、网页编码类型等的配置信息，可以满足用户多种需求和扩展需求，也扩大了代码的适用范围。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。