一种用于分布式爬虫网址去重的方法
基本信息
| 申请号 | CN202010303523.9 | 申请日 | - |
| 公开（公告）号 | CN111522847A | 公开（公告）日 | 2020-08-11 |
| 申请公布号 | CN111522847A | 申请公布日 | 2020-08-11 |
| 分类号 | G06F16/2455(2019.01)I | 分类 | - |
| 发明人 | 徐利东;远贵良 | 申请（专利权）人 | 山东贝赛信息科技有限公司 |
| 代理机构 | 济南瑞宸知识产权代理有限公司 | 代理人 | 山东贝赛信息科技有限公司 |
| 地址 | 250000山东省济南市经十路7000号汉峪金谷金融商务中心A4-(3)办公楼34层3401室 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明公开了一种用于分布式爬虫网址去重的方法，分布式爬虫网址去重的步骤如下：采集URL集合、初次计算、二次计算、判断数据是否存在一、判断数据是否存在二、完成采集。本发明取得如下技术效果：解决了大规模网页地址去重的瓶颈问题，该方法可以自由拓展分布式内存数据库的数量，满足任何数据规模的去重需求，由于基于内存数据库，所以去重效率非常高，由于是分布式，所有不存在内存溢出或者I/O超载的情况。 |
