一種用于分布式爬蟲網址去重的方法

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;遠貴良 申請（專利權）人 山東貝賽信息科技有限公司
代理機構 濟南瑞宸知識產權代理有限公司 代理人 山東貝賽信息科技有限公司
地址 250000山東省濟南市經十路7000號漢峪金谷金融商務中心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址去重的方法，分布式爬蟲網址去重的步驟如下：采集URL集合、初次計算、二次計算、判斷數據是否存在一、判斷數據是否存在二、完成采集。本發(fā)明取得如下技術效果：解決了大規(guī)模網頁地址去重的瓶頸問題，該方法可以自由拓展分布式內存數據庫的數量，滿足任何數據規(guī)模的去重需求，由于基于內存數據庫，所以去重效率非常高，由于是分布式，所有不存在內存溢出或者I/O超載的情況。??