前一段时间写了一段抓取网页的程序,感到这个很简单,最近要搜寻网上信息,于是也打算写一个程序来做这件事,不过这次涉及到多个网站,格式很不规则,写来写去,貌似变成一个垂直爬虫了,略有心得,凑一篇博客吧。
作为一个java程序员,我选择最简单的方式──用ruby来做 :D ,使用的技术储备包括:
1. 任务编写工具,用rake就足够了,很方便
2. html解析器:用Hpricot,它支持各种定位方式,据说底层用C,因此性能不错
3. 另外还要一些支持库:例如地址处理使用uri、网页抓取使用net/http,编码转换使用iconv等等。
既然是爬虫,那么通过网页上的链接进行网页抓取是基本功能,显然,这是一个图遍历的问题,老规矩,两个思路──深度优先和广度优先。标准做法应该是这样:
深度优先:
1. 用户程序员给出入口网址。
2. 将网址放入“已处理链接”的列表中
3. 根据刚才这个网址取得网页,分析网页,取得上面的其它链接。
3. 对每一个链接进行过滤检查,对符合条件的链接执行步骤一开始的操作,否则结束。
4. 得到网址列表。
广度优先:
1.用户程序员给出网址。
2.将网址放入“待处理链接”列表中。
3.遍历“待处理链接”列表,对每一个地址执行如下操作:
3.1. 根据地址取得网页
3.2. 分析网页,获得上面的链接
3.3. 过滤每一个链接,符合条件的添加到“待处理链接”列表中
3.4. 将此地址移入“已处理链接”的列表中
4. 如果“待处理链接”列表为空,则结束,否则重复步骤三。
5. 结束后得到网址列表
这一段是照本宣科,我懒,所以下回接着写,呵呵
作为一个java程序员,我选择最简单的方式──用ruby来做 :D ,使用的技术储备包括:
1. 任务编写工具,用rake就足够了,很方便
2. html解析器:用Hpricot,它支持各种定位方式,据说底层用C,因此性能不错
3. 另外还要一些支持库:例如地址处理使用uri、网页抓取使用net/http,编码转换使用iconv等等。
既然是爬虫,那么通过网页上的链接进行网页抓取是基本功能,显然,这是一个图遍历的问题,老规矩,两个思路──深度优先和广度优先。标准做法应该是这样:
深度优先:
1. 用户程序员给出入口网址。
2. 将网址放入“已处理链接”的列表中
3. 根据刚才这个网址取得网页,分析网页,取得上面的其它链接。
3. 对每一个链接进行过滤检查,对符合条件的链接执行步骤一开始的操作,否则结束。
4. 得到网址列表。
广度优先:
1.用户程序员给出网址。
2.将网址放入“待处理链接”列表中。
3.遍历“待处理链接”列表,对每一个地址执行如下操作:
3.1. 根据地址取得网页
3.2. 分析网页,获得上面的链接
3.3. 过滤每一个链接,符合条件的添加到“待处理链接”列表中
3.4. 将此地址移入“已处理链接”的列表中
4. 如果“待处理链接”列表为空,则结束,否则重复步骤三。
5. 结束后得到网址列表
这一段是照本宣科,我懒,所以下回接着写,呵呵