作为网络爬虫的一个微小组件,甚至都谈不上组件,而只是一个小功能点而已,但URL 规范化的作用和影响却一点也不小,这篇文章就基于目前我所掌握的的知识,简单谈谈URL normalization,主要从如下几个方面来谈:URL normalization的实质,为什么需要URL normalization,URL normalization的主要内容,nutch中URL normalization所做的工作以及heritrix中URL normalization所做的工作
URL normalization的实质
顾名思义,URL normalization就是对URL进行规范化处理,这里的规范化主要是基于一定的标准对从网页中提出的URL进行处理,然后对处理后的URL再进行
存储,就好像在邮政系统中,需要地址按照行政级别从大到小来编写,人名需要姓在前,名在后,对抽取出的URL进行规范化处理后,所有的URL就可以基于同一个标准进行
各种逻辑操作。
为什么需要URL normalization
URL规范化的主要目的就是为了URL去重,如果不进行去重处理,就会出现如下几种情形:
1.爬虫不止一次对同一个资源(由等价的URL指向)进行爬取,甚至索引(如果没有内容去重模块的话)。
2.大量形式