文献类型：专利

专利类型：发明专利

是否失效：否

是否授权：否

申 请 号：CN201310040088.5

申 请 日：20130201

发 明 人：尹科

申 请 人：北京英富森信息技术有限公司

申请人地址：100190 北京市海淀区中关村东路66号一号楼世纪科贸大厦B座2509室

公 开 日：20140806

公 开 号：CN103970787A

语　　种：中文

摘　　要：本发明涉及一种增量更新与爬取技术，包括：判断待爬取网页内容的UR是否为静态页面的链接地址；当待爬取网页内容的URL为静态页面的链接地址时，判断所述URL是否爬取过，是则用所述URL替换已存储的URL；否则，根据爬取日期创建年/月/日/URL链接地址的文件夹，将待爬取网页的内容存储到所述文件夹中。本发明通过每次获取待爬取网页的URL时，判断所述URL是属于静态页面的还是动态页面的链接地址。如果是静态页面的，则判断所述URL是否已经爬取过，如已经爬取过则不进行爬取，直接将已经爬取过的URL替换成现有的链接地址存储，实现了静态页面的增量更新存储的要求，从而减少爬虫系统更新页面的工作量，提升了页面的新鲜度。

主 权 项：1.一种增量更新与爬取技术，其特征在于，包括以下步骤：判断待爬取网页内容的URL链接地址是否为静态页面的链接地址；当所述待爬取网页内容的URL链接地址为静态页面的链接地址时，判断所述待爬取网页内容的URL链接地址是否爬取过，是则找到所述静态页面的存储路径，用所述待爬取网页的当前URL链接地址替换已存储的URL链接地址；否则，根据爬取日期创建年/月/日/URL链接地址的文件夹，将所述待爬取网页的内容存储到所述文件夹中，用所述待爬取网页的当前URL链接地址替换已存储的URL链接地址；当所述待爬取网页内容的URL链接地址为动态页面的链接地址时，根据爬取日期创建年/月/日/URL链接地址的文件夹，将所述待爬取网页的内容存储到所述文件夹中，用所述待爬取网页的当前URL链接地址替换已存储的URL链接地址。

关 键 词：静态页  存储  文件夹 网页内容 增量更新  爬虫系统 动态页  新鲜度 工作量  

IPC专利分类号：G06F17/30(20060101)