《表2 URL地址清理类别》
在获取到某个标记样本产生的URL之后,需要对URL进行过滤和清理.因为不是所有的URL都指向包含内容的HTML文件,而且也有可能存在URL重复的情况,所以有必要进行数据清理.首先去除重复和冗余的URL,然后清理掉指向非HTML文件的URL.这一过程可以通过爬虫框架Scrapy完成,使用的过滤规则如表2所示.
图表编号 | XD0075423500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 蔡伟鸿、胡江、刘健全、杜鑫 |
绘制单位 | 汕头大学工学院计算机系、汕头大学工学院计算机系、日本NEC公司、汕头大学工学院计算机系 |
更多格式 | 高清、无水印(增值服务) |