一种网页中渲染数据收录的方法和装置与流程

本发明涉及搜索的技术领域，特别是涉及一种网页中渲染数据收录的方法和一种网页中渲染数据收录的装置。

背景技术：

当前，随着网络技术的快速发展，互联网上嵌有JavaScript脚本的动态页面所占比例越来越大，给页面数据采集工作带来了很大困难。在网络舆论及搜索引擎研究方面，虽然页面数据采集的主要对象仍然为静态页面，但对动态页面中的数据进行采集的需求越来越迫切。

现有的数据采集方法中，爬虫只能获取网页中的静态数据，针对一些动态、实时改变的数据是无能为力的，因此采用现有的技术进行网页数据采集效果和数据质量很差，难以保证网页信息的完整性。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种网页中渲染数据收录的方法和相应的一种网页中渲染数据收录的装置。

依据本发明的一个方面，提供了一种网页中渲染数据收录的方法，包括：

判断当前抓取的网页页面是否存在有效的渲染数据；

若判定所述网页页面存在有效的渲染数据，则收录所述有效的渲染数据。

可选地，所述判断当前抓取的网页页面是否存在有效的渲染数据的步骤包括：

抓取网页页面，所述网页页面为经过渲染的页面；

获取所述网页页面的原始页面，所述原始页面为没有经过渲染的页面；

基于所述网页页面以及所述原始页面，判断所述网页页面是否存在有效的渲染数据。

可选地，所述基于所述网页页面以及所述原始页面，判断所述网页页面是否存在有效的渲染数据的步骤包括：

比较所述网页页面以及所述原始页面，获得一个或多个差异链接数据；

基于所述一个或多个差异链接数据，生成模式信息；

基于所述模式信息，判断所述网页页面是否存在有效的渲染数据。

可选地，所述比较所述网页页面以及所述原始页面，获得一个或多个差异链接数据的步骤包括：

提取所述网页页面中的一个或多个第一链接数据；

提取所述原始页面中的一个或多个第二链接数据；

分别提取所述第一链接数据，遍历所述一个或多个第二链接数据；

若在第二链接数据中不存在与所述第一链接数据匹配的数据，则将所述第一链接数据作为差异链接数据。

可选地，所述基于所述一个或多个差异链接数据，生成模式信息的步骤包括：

判断所述差异链接数据中是否存在共性部分；

若所述差异链接数据中存在共性部分，则基于所述共性部分生成模式信息。

可选地，所述基于所述模式信息，判断所述网页页面是否存在有效的渲染数据的步骤包括：

获取所述差异链接数据中符合所述模式信息的链接的数量；

若所述数量大于或等于预设阈值，则判定所述网页页面存在有效的渲染数据。

可选地，在所述判断当前抓取的网页页面是否存在有效的渲染数据的步骤之前，还包括：

获取所述网页页面的源代码信息；

若所述源代码信息中存在JavaScript脚本信息，则对所述JavaScript脚本信息进行渲染，得到渲染数据。

根据本发明的另一方面，提供了一种网页中渲染数据收录的装置，包括：

有效数据判断模块，适于判断当前抓取的网页页面是否存在有效的渲染数据；

渲染数据收录模块，适于在判定所述网页页面存在有效的渲染数据时，收录所述有效的渲染数据。

可选地，所述有效数据判断模块包括：

网页抓取子模块，适于抓取网页页面，所述网页页面为经过渲染的页面；

原始网页获取子模块，适于获取所述网页页面的原始页面，所述原始页面为没有经过渲染的页面；

判断子模块，适于基于所述网页页面以及所述原始页面，判断所述网页页面是否存在有效的渲染数据。

可选地，所述判断子模块包括：

页面比较单元，适于比较所述网页页面以及所述原始页面，获得一个或多个差异链接数据；

模式信息生成单元，适于基于所述一个或多个差异链接数据，生成模式信息；

判断单元，适于基于所述模式信息，判断所述网页页面是否存在有效的渲染数据。

可选地，所述页面比较单元还适于：

提取所述网页页面中的一个或多个第一链接数据；

提取所述原始页面中的一个或多个第二链接数据；

分别提取所述第一链接数据，遍历所述一个或多个第二链接数据；

若在第二链接数据中不存在与所述第一链接数据匹配的数据，则将所述第一链接数据作为差异链接数据。

可选地，所述模式信息生成单元还适于：

判断所述差异链接数据中是否存在共性部分；

若所述差异链接数据中存在共性部分，则基于所述共性部分生成模式信息。

可选地，所述判断单元还适于：

获取所述差异链接数据中符合所述模式信息的链接的数量；

若所述数量大于或等于预设阈值，则判定所述网页页面存在有效的渲染数据。

可选地，所述装置还包括：

源代码获取模块，适于获取所述网页页面的源代码信息；

渲染模块，适于在所述源代码信息中存在JavaScript脚本信息时，对所述JavaScript脚本信息进行渲染，得到渲染数据。

在本发明实施例中，根据抓取的经过渲染的网页页面以及其没有经过渲染的原始页面的比对，来判定当前网页页面是否存在有效的渲染数据，如果判定该网页页面存在有效的渲染数据，则收录该有效的渲染数据，从而提高了有渲染能力的网络爬虫的收录能力，提高网页信息的完整性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种网页中渲染数据收录的方法实施例一的步骤流程图；

图2示出了根据本发明一个实施例的一种网页中渲染数据收录的方法实施例二的步骤流程图；以及

图3示出了根据本发明一个实施例的一种网页中渲染数据收录的装置实施例的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1，示出了根据本发明一个实施例的一种网页中渲染数据收录的方法实施例一的步骤流程图，具体可以包括如下步骤：

步骤101，判断当前抓取的网页页面是否存在有效的渲染数据；

步骤102，若判定所述网页页面存在有效的渲染数据，则收录所述有效的渲染数据。

在本发明实施例中，若判定当前网页页面存在有效的渲染数据，则收录该有效的渲染数据，以此来挖掘有效的渲染数据，从而提高了收录的网页信息的完整性。

参照图2，示出了根据本发明一个实施例的一种网页中渲染数据收录的方法实施例二的步骤流程图，具体可以包括如下步骤：

步骤201，抓取网页页面，所述网页页面为经过渲染的页面；

应用于本发明实施例，可以通过指定网络爬虫(Spider)抓取万维网信息的程序或者脚本，该指定网络爬虫为具备脚本渲染能力的爬虫，例如，该指定网络爬虫具备JavaScript渲染能力。

当该指定网络爬虫抓取到一URL(Uniform Resource Locator，统一资源定位符)时，获取该URL的源代码信息，并判断该源代码信息中是否包含JavaScript脚本信息，若该源代码信息中包含JavaScript脚本信息，则指定网络爬虫可以解析出该JavaScript脚本信息，并调用预设的渲染引擎对该JavaScript脚本信息进行渲染，得到渲染数据。

通过对该URL的解析，指定网络爬虫可以获得该URL的网页页面，即该网页页面为指定网络爬虫对页面中的JavaScript脚本信息经过渲染后得到的页面。

步骤202，获取所述网页页面的原始页面，所述原始页面为没有经过渲染的页面；

同时，指定网络爬虫还可以dump出(输出)该网页页面的原始页面，其中，该原始页面为没有对网页中的JavaScript脚本信息进行渲染的页面。

步骤203，基于所述网页页面以及所述原始页面，判断所述网页页面是否存在有效的渲染数据；

应用于本发明实施例，当抓取到网页页面以及获得网页页面对应的原始页面以后，可以根据该网页页面以及该原始页面，判断该网页页面中是否存在有效的渲染数据。

在本发明实施例的一种优选实施例中，步骤203可以包括如下子步骤：

子步骤S11，比较所述网页页面以及所述原始页面，获得一个或多个差异链接数据；

在本发明实施例中，差异链接数据为在网页页面中存在但在原始页面中不存在的链接数据。

在本发明实施例的一种优选实施例中，子步骤S11进一步可以包括如下子步骤：

子步骤S111，提取所述网页页面中的一个或多个第一链接数据；

子步骤S112，提取所述原始页面中的一个或多个第二链接数据；

子步骤S113，分别提取所述第一链接数据，遍历所述一个或多个第二链接数据；

子步骤S114，若在第二链接数据中不存在与所述第一链接数据匹配的数据，则将所述第一链接数据作为差异链接数据。

具体来说，指定网络爬虫能够分别提取网页页面中的链接(即第一链接数据)以及原始页面中的链接(即第二链接数据)，并将每个第一链接数据遍历该一个或多个第二链接数据，若在第二链接数据中不存在与该第一链接数据匹配的数据，则将该第一链接数据作为差异链接数据，即将网页页面中存在但原始页面中不存在的链接数据作为差异链接数据。

子步骤S12，基于所述一个或多个差异链接数据，生成模式信息；

获得一个或多个差异链接数据以后，可以对该一个或多个差异链接数据进行分析，以生成模式信息pattern。

在本发明实施例的一种优选实施例中，子步骤S12进一步可以包括如下子步骤：

子步骤S121，判断所述差异链接数据中是否存在共性部分；

子步骤S122，若所述差异链接数据中存在共性部分，则基于所述共性部分生成模式信息。

在具体实现中，可以对该多个差异链接数据进行比较，判断该多个差异链接数据是否存在共性部分(即相同部分)。例如，当前的差异链接有3条，分别为：http://people.mtime.com/1174040/格恩迪·塔塔科夫斯基；http://people.mtime.com/1188532/理查德·阿米蒂奇；http://people.mtime.com/1289869/汤姆·麦克格雷斯。对该三条差异链接数据进行比较可知，其之间存在的共性部分为http://people.mtime.com//，根据该共性部分，可以生成模式信息http://people.mtime.com/********/。

子步骤S13，基于所述模式信息，判断所述网页页面是否存在有效的渲染数据。

在本发明实施例的一种优选实施例中，子步骤S13可以包括如下子步骤：

子步骤S131，获取所述差异链接数据中符合所述模式信息的链接的数量；

子步骤S132，若所述数量大于或等于预设阈值，则判定所述网页页面存在有效的渲染数据。

具体而言，获得模式信息以后，可以将所有的差异链接数据与模式信息进行比对，判断每条差异链接数据是否符合模式信息所规定的格式，并计算符合模式信息的差异链接数据的数量，如果该数量大于或等于预设阈值，则判定当前抓取的网页页面中存在有效的渲染数据；否则，如果该数量小于预设阈值，则判定当前抓取的网页页面中不存在有效的渲染数据。

例如，针对URL为http://my.mtime.com/cycdashi/对应的网页页面，其与原始页面的差异链接数据如下表1所示，可以看出，这些差异链接数据的模式信息为http://people.mtime.com/********/，符合该模式信息的差异链接数据的数量为11条(假设预设阈值为10条)，因此可以判定该http://my.mtime.com/cycdashi/对应的网页页面存在有效的渲染数据。

表1

步骤204，若判定所述网页页面存在有效的渲染数据，则收录所述有效的渲染数据。

应用于本发明实施例，若判定当前的网页页面中存在有效的渲染数据，则可以召回该网页页面的有效的渲染数据。

在本发明实施例中，根据抓取的经过渲染的网页页面以及其没有经过渲染的原始页面的比对，来判定当前网页页面是否存在有效的渲染数据，如果判定该网页页面存在有效的渲染数据，则收录该有效的渲染数据，从而提高了有渲染能力的网络爬虫的收录能力，提高网页信息的完整性。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图3，示出了根据本发明一个实施例的一种网页中渲染数据收录的装置实施例的结构框图，具体可以包括如下模块：

有效数据判断模块301，适于判断当前抓取的网页页面是否存在有效的渲染数据；

渲染数据收录模块302，适于在判定所述网页页面存在有效的渲染数据时，收录所述有效的渲染数据。

在本发明实施例的一种优选实施例中，所述有效数据判断模块301可以包括：

网页抓取子模块，适于抓取网页页面，所述网页页面为经过渲染的页面；

原始网页获取子模块，适于获取所述网页页面的原始页面，所述原始页面为没有经过渲染的页面；

判断子模块，适于基于所述网页页面以及所述原始页面，判断所述网页页面是否存在有效的渲染数据。

在本发明实施例的一种优选实施例中，所述判断子模块可以包括：

页面比较单元，适于比较所述网页页面以及所述原始页面，获得一个或多个差异链接数据；

模式信息生成单元，适于基于所述一个或多个差异链接数据，生成模式信息；

判断单元，适于基于所述模式信息，判断所述网页页面是否存在有效的渲染数据。

在本发明实施例的一种优选实施例中，所述页面比较单元还适于：

提取所述网页页面中的一个或多个第一链接数据；

提取所述原始页面中的一个或多个第二链接数据；

分别提取所述第一链接数据，遍历所述一个或多个第二链接数据；

若在第二链接数据中不存在与所述第一链接数据匹配的数据，则将所述第一链接数据作为差异链接数据。

在本发明实施例的一种优选实施例中，所述模式信息生成单元还适于：

判断所述差异链接数据中是否存在共性部分；

若所述差异链接数据中存在共性部分，则基于所述共性部分生成模式信息。

在本发明实施例的一种优选实施例中，所述判断单元还适于：

获取所述差异链接数据中符合所述模式信息的链接的数量；

若所述数量大于或等于预设阈值，则判定所述网页页面存在有效的渲染数据。

在本发明实施例的一种优选实施例中，所述装置还包括：

源代码获取模块，适于获取所述网页页面的源代码信息；

渲染模块，适于在所述源代码信息中存在JavaScript脚本信息时，对所述JavaScript脚本信息进行渲染，得到渲染数据。

对于装置实施例而言，由于其与方法实施例基本相似，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。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网页中渲染数据收录设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。