一种自动获取xpath生成爬虫脚本的方法及系统
基本信息
| 申请号 | CN201711034452.1 | 申请日 | - |
| 公开（公告）号 | CN107943838A | 公开（公告）日 | 2018-04-20 |
| 申请公布号 | CN107943838A | 申请公布日 | 2018-04-20 |
| 分类号 | G06F17/30;G06F8/30 | 分类 | 计算；推算；计数; |
| 发明人 | 姬永杰;陈国强;王长勇;任建新 | 申请（专利权）人 | 北京大数元科技发展有限公司 |
| 代理机构 | 北京天悦专利代理事务所（普通合伙） | 代理人 | 北京大数元科技发展有限公司 |
| 地址 | 100094 北京市海淀区西北旺东路10号院新兴产业联盟大厦4层4-17室 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明公开了一种自动获取xpath生成爬虫脚本的方法及系统，所述方法包括以下步骤：(1)通过url地址打开网页，遍历网页中所有的标签；(2)取出每个标签对应的xpath路径；(3)按xpath路径相同划分为一组；然后，统计分组后标签个数；(4)取出每组中的一个标签，打开该链接网页；(5)对于步骤4中每个被打开的网页，统计网页中的标签个数以及文字个数；(6)取出文字个数最多且标签个数最少的一组，记录其对应的xpath路径；(7)基于Scrapy框架，根据对应的xpath路径生成爬虫脚本。该方法能够基于Scrapy框架对政府网站公开信息进行爬取，可以自动解析出网页中所需内容的xpath路径，提升爬虫管理的自动化水平。 |
