题目描述:
给定一个链接 startUrl 和一个接口 HtmlParser ,请你实现一个网络爬虫,以实现爬取同 startUrl 拥有相同 域名标签 的全部链接。该爬虫得到的全部链接可以 任何顺序 返回结果。
你的网络爬虫应当按照如下模式工作:
自链接 startUrl 开始爬取
调用 HtmlParser.getUrls(url) 来获得链接url页面中的全部链接
同一个链接最多只爬取一次
只输出 域名 与 startUrl 相同 的链接集合
如上所示的一个链接,其域名为 example.org。简单起见,你可以假设所有的链接都采用 http协议 并没有指定 端口。例如,链接 http://leetcode.com/problems 和 http://leetcode.com/contest 是同一个域名下的,而链接http://example.org/test 和 http://example.com/abc 是不在同一域名下的。
HtmlParser 接口定义如下:
interface HtmlParser {
// 返回给定 url 对应的页面中的全部 url 。
public List getUrls(String url);
}
下面是两个实例,用以解释该问题的设计功能,对于自定义测试,你可以使用三个变量 urls, edges 和 startUrl。注意在代码实现中,你只可以访问 startUrl ,而 urls 和 edges 不可以在你的代码中被直接访问。
示例 1:
输入:
urls = [
“http://news.yahoo.com”,
“http://news.yahoo.com/news”,
“http://news.yahoo.com/news/topics/”,
“http://news.google.com”,
“http://news.yahoo.com/us”
]
edges = [[2,0],[2,1],[3,2],[3,1],[0,4]]
startUrl = “http://news.yahoo.com/news/topics/”
输出:[
“http://news.yahoo.com”,
“http://news.yahoo.com/news”,
“http://news.yahoo.com/news/topics/”,
“http://news.yahoo.com/us”
]
示例 2:
输入:
urls = [
“http://news.yahoo.com”,
“http://news.yahoo.com/news”,
“http://news.yahoo.com/news/topics/”,
“http://news.google.com”
]
edges = [[0,2],[2,1],[3,2],[3,1],[3,0]]
startUrl = “http://news.google.com”
输入:[“http://news.google.com”]
解释:startUrl 链接到所有其他不共享相同主机名的页面。
提示:
1 <= urls.length <= 1000
1 <= urls[i].length <= 300
startUrl 为 urls 中的一个。
域名标签的长为1到63个字符(包括点),只能包含从‘a’到‘z’的ASCII字母、‘0’到‘9’的数字以及连字符即减号(‘-’)。
域名标签不会以连字符即减号(‘-’)开头或结尾。
关于域名有效性的约束可参考: https://en.wikipedia.org/wiki/Hostname#Restrictions_on_valid_hostnames
你可以假定url库中不包含重复项。
方法1:
主要思路:解题链接汇总
(1)bfs;
(2)主要是读懂题意,需要爬取的链接也必须是同一域名下的链接;
/**
* // This is the HtmlParser's API interface.
* // You should not implement it, or speculate about its implementation
* class HtmlParser {
* public:
* vector<string> getUrls(string url);
* };
*/
class Solution {
public:
vector<string> crawl(string startUrl, HtmlParser htmlParser) {
string target="";
for(int i=7;i<startUrl.size();++i){//找出域名
if(startUrl[i]=='/'){
break;
}
target+=startUrl[i];
}
int len_target=target.size()+7;
//初始化
unordered_set<string>st;//存储访问过的字符串
queue<string> q;
st.insert(startUrl);
q.push(startUrl);
while(!q.empty()){
string cur=q.front();
q.pop();
vector<string> tmp=htmlParser.getUrls(cur);//获得下次可能爬取的链接
for(string&str:tmp){
if(st.count(str)==0&&str.size()>=len_target&&str.substr(7,target.size())==target){//可以爬取的链接
q.push(str);
st.insert(str);
}
}
}
return vector<string>(st.begin(),st.end());
}
};