申请/专利权人：深圳市豪斯莱科技有限公司

申请日：2024-02-28

公开（公告）日：2024-05-28

公开（公告）号：CN117807294B

主分类号：G06F16/951

分类号：G06F16/951;G06F16/955;G06F16/51;G06F16/583;G06F16/13;G06F16/174;G06F18/27;G06F9/50

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明属于爬虫调度管理技术领域，本发明公开了一种多线程网络爬虫调度管理方法及系统，包括：S1、采集历史图片爬虫任务，基于历史图片爬虫任务构建多元线性回归模型与图片库，构建图片查重模型，通过图片查重模型对图片库内的图片进行查重；S2、获取待爬取网页，基于待爬取网页创建实时图片爬虫任务。通过构建图片查重模型，避免存储相同的图片，能减少对重复图片的爬取；通过构建多元线性回归模型，便于实时图片爬虫任务选择合适的线程池规模量；对线程池内线程速度较快的线程进行确定，能够对线程池内的线程进行调度管理，进而提升爬取的效率。

主权项：1.一种多线程网络爬虫调度管理方法，其特征在于，包括：S1、采集历史图片爬虫任务，基于历史图片爬虫任务构建多元线性回归模型与图片库，构建图片查重模型，通过图片查重模型对图片库内的图片进行查重；所述采集历史图片爬虫任务，基于历史图片爬虫任务构建多元线性回归模型，包括：S10、将爬取网页内含有图片标签超过Z个的爬虫任务记为历史图片爬虫任务；S11、采集多个历史图片爬虫任务对应的图片标签数量、URL数量、线程池规模量和爬取时间；S12、将同一历史图片爬虫任务内的图片标签数量、线程池规模量、URL数量、爬取时间组成一个样本，将同一历史图片爬虫任务内的图片标签数量、爬取时间、URL数量作为自变量，将同一历史图片爬虫任务内的线程池规模量作为因变量，将同一历史图片爬虫任务内的自变量、因变量输入多元线性回归模型中；S13、预设Sxc为线程池规模量，β0为截距项，Sbp为图片标签数量，β1为图片标签数量的回归系数，Surl为URL数量，β2为URL数量的回归系数，Spq为爬取时间，β3为爬取时间的回归系数，ε是误差项，通过最小二乘法计算β1、β2、β3的回归系数，得到多元线性回归关系式为：Sxc＝β0+β1×Sbp+β2×Surl+β3×Spq+ε；其中，线程池规模量为每一历史图片爬虫任务中运行的最大线程数，线程池规模量代表线程池大小，最大线程数不超过爬虫工具所在运行系统的最大线程数；若存在大于1个的图片标签数量相同、URL数量相同的历史图片爬虫任务，则将最短爬取时间对应的历史图片爬虫任务中的最大线程数记为线程池规模量；S2、获取待爬取网页，基于待爬取网页创建实时图片爬虫任务，通过多元线性回归模型对实时图片爬虫任务进行分析，得到线程池规模量；S3、基于线程池规模量创建线程池，通过线程池当前管理的任务对待爬取图片进行爬取，得到爬取图片；S4、对爬取图片以及待爬取图片对应的相同图片编码进行存储。

全文数据：

权利要求：

百度查询： 深圳市豪斯莱科技有限公司 一种多线程网络爬虫调度管理方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD