這里是維基百科對網絡爬蟲的詞條頁面。網絡爬蟲以叫網絡蜘蛛，網絡機器人，這是一個程序，其會自動的通過網絡抓取互聯網上的網頁，這種技術一般可能用來檢查你的站點上所有的鏈接是否是都是有效的。當然，更為高級的技術是把網頁中的相關數據保存下來，可以成為搜索引擎。
從技相來說，實現抓取網頁可能并不是一件很困難的事情，困難的事情是對網頁的分析和整理，那是一件需要有輕量智能，需要大量數學計算的程序才能做的事情。下面一個簡單的流程：
在這里，我們只是說一下如何寫一個網頁抓取程序。
首先我們先看一下，如何使用命令行的方式來找開網頁。
telnet somesite.com 80
GET /index.html HTTP/1.0
按回車兩次
使用telnet就是告訴你其實這是一個socket的技術，并且使用HTTP的協議，如 GET方法來獲得網頁，當然，接下來的事你就需要解析HTML文法，甚至還需要解析Javascript，因為現在的網頁使用Ajax的越來越多了，而很多網頁內容都是通過Ajax技術加載的，因為，只是簡單地解析HTML文件在未來會遠遠不夠。當然，在這里，只是展示一個非常簡單的抓取，簡單到只能做為一個例子，下面這個示例的偽代碼：
取網頁
for each 鏈接 in 當前網頁所有的鏈接
{
if(如果本鏈接是我們想要的 || 這個鏈接從未訪問過)
{
處理對本鏈接
把本鏈接設置為已訪問
}
}
require “rubygems”
require “mechanize”
class Crawler < WWW::Mechanize
attr_accessor :callback
INDEX = 0
DOWNLOAD = 1
PASS = 2
def initialize
super
init
@first = true
self.user_agent_alias = “Windows IE 6″
end
def init
@visited = []
end
def remember(link)
@visited << link
end
def perform_index(link)
self.get(link)
if(self.page.class.to_s == “WWW::Mechanize::Page”)
links = self.page.links.map {|link| link.href } - @visited
links.each do |alink|
start(alink)
end
end
end
def start(link)
return if link.nil?
if(!@visited.include?(link))
action = @callback.call(link)
if(@first)
@first = false
perform_index(link)
end
case action
when INDEX
perform_index(link)
when DOWNLOAD
self.get(link).save_as(File.basename(link))
when PASS
puts “passing on #{link}”
end
end
end
def get(site)
begin
puts “getting #{site}”
@visited << site
super(site)
rescue
puts “error getting #{site}”
end
end
end
上面的代碼就不必多說了，大家可以去試試。下面是如何使用上面的代碼：
require “crawler”
x = Crawler.new
callback = lambda do |link|
if(link =~/\\.(zip|rar|gz|pdf|doc)
x.remember(link)
return Crawler::PASS
elsif(link =~/\\.(jpg|jpeg)/)
return Crawler::DOWNLOAD
end
return Crawler::INDEX;
end
x.callback = callback
x.start(”http://somesite.com”)
下面是一些和網絡爬蟲相關的開源網絡項目
from:
http://coolshell.cn/?p=27
posted on 2010-02-18 21:54
chatler 閱讀(703)
評論(0) 編輯 收藏 引用 所屬分類:
SearchEngine