今天看了下别写的一共简单的爬虫工具。
大概原理就是基于的一个root url利用httpwebrequest去抓取html内容,提前其中的链接(剔除了图片、css、js等),逐一保存下来。
不过这个只适用于一些门户网站,有些网站的登录页面没有任何链接。需要登陆后才能浏览。所以权限这一块也很复杂,对于不同的网站需要不同的实现。目前来看使用工厂方法是够用了。
当然,光是做这个还是不够的。这也紧紧是一个数据采集。重点在于数据的分析算法,难度和规则也是相当多的。
后面有时间自己打算自己实现一个。在此先记录下来。