关于爬虫中的URL问题!高手请教

leeking888 2010-10-20 10:18:08

像nutch这样的爬虫你只要给它一个规则它就能把站点的所有网页都访问出来但是这个规则是怎么样定义的呢?
打个比方 http://www.163.com 这个站点它能把
http://bbs.163.com
http://www.163.com/aaa/aaa.html....等等到
http://www.163.com/1/2/3/4/5/n/nnnn.html 都能挖出来

它的url是怎么样实现的呢?难道是一个一个地穷举配对访问吗??

...全文

97 点赞收藏 8

写回复

8 条回复

切换为时间正序

当前发帖距今超过3年，不再开放新的回复

发表回复

eggno8 2010-10-20

如果你站点上有www.yoursite.com/seegood?id=xxxxxx
这种带参页面，但是，没有任何一个页面有链接连到www.yoursite.com/seegood?id=518518这个页面或者是页面动态形式链接到（比如id=1这个被链接到，然后seegood页面动态的有get到的id+1的链接），那你这个产品页面是不会被爬虫爬到的，爬虫没事会去给你每个参数来个穷举访问么？

回复赞

leeking888 2010-10-20

[Quote=引用 5 楼 eggno8 的回复:]
对网站爬行的过程就是一个对图的遍历过程。
每一个页面看作一个顶点，a页面上一个b页面的链接是看作将ab连通的边。对这个图的遍历，如果有某个或者某几个孤立的顶点，那么这个图无法简单的就遍历完。
假设网站www.163.com下有一个页面http://www.163.com/imalone.html
163.com整个站点上其他页面没有任何一个页面上有指向它的链接，那么作为图的顶点，这个页面是孤……
[/Quote]
那么有一些是需要参数的呢？或者是其他条件的才能进入的页面是不是无法爬虫访问到呢？

回复赞

谁是莫默的呢 2010-10-20

学习下，期待高手

回复赞

eggno8 2010-10-20

对网站爬行的过程就是一个对图的遍历过程。
每一个页面看作一个顶点，a页面上一个b页面的链接是看作将ab连通的边。对这个图的遍历，如果有某个或者某几个孤立的顶点，那么这个图无法简单的就遍历完。
假设网站www.163.com下有一个页面http://www.163.com/imalone.html
163.com整个站点上其他页面没有任何一个页面上有指向它的链接，那么作为图的顶点，这个页面是孤立的，爬虫是爬不到的~

回复赞

leeking888 2010-10-20

[Quote=引用 2 楼 metsys 的回复:]
爬的是站点内容里包含的链接。

要是穷举配对，比算出彩票号码的可能性还小得多。
[/Quote]

谢谢有点想像的可能了..
那么是在http://www.163.com这个页面中的所有 a 标签的链接和 form的链接吗??那要是使用js打开的url呢？

回复赞

leeking888 2010-10-20

[Quote=引用 1 楼 yaoweijq 的回复:]
大概意思是这：
用java的httpclient或urlconnection先把
http://www.163.com这个网页的html代码弄出来，
再分析里面所有的链接，
按照一定规则找出来，
与爬过的所有链接进行比较，
如果爬过了并且没有更新，
就不管，
然后爬没爬过的，
依次类推就行了
[/Quote]
请问按照你这个想法怎么样实现呢??
这网页的根本就没有个规则嘛
有的东西是我喜欢的或者有的是用户名时间什么的如
http://www.163.com/news/20101010/aaa.html
http://www.163.com/news/usernames/includechinese/aaa.html

回复赞