关于爬虫中的URL问题!高手请教

Question

像nutch这样的爬虫 你只要给它一个规则 它就能把站点的所有网页都访问出来 但是这个规则是怎么样定义的呢?
打个比方 http://www.163.com 这个站点 它能把 
http://bbs.163.com 
http://www.163.com/aaa/aaa.html....等等到 
http://www.163.com/1/2/3/4/5/n/nnnn.html 都能挖出来它的url是怎么样实现的呢?难道是一个一个地穷举配对访问吗??

Answer 1

大概意思是这：
用java的httpclient或urlconnection先把
http://www.163.com这个网页的html代码弄出来，
再分析里面所有的链接，
按照一定规则找出来，
与爬过的所有链接进行比较，
如果爬过了并且没有更新，
就不管，
然后爬没爬过的，
依次类推就行了

Answer 2

请问 按照你这个想法怎么样实现呢??
这网页的根本就没有个规则嘛 
有的东西是我喜欢的 或者有的是用户名 时间什么的 如
http://www.163.com/news/20101010/aaa.html
http://www.163.com/news/usernames/includechinese/aaa.html

Answer 3

谢谢 有点想像的可能了..
那么是在http://www.163.com这个页面中的所有 a 标签的链接和 form的链接吗??那要是使用js打开的url呢？

Answer 4

对网站爬行的过程就是一个对图的遍历过程。
每一个页面看作一个顶点，a页面上一个b页面的链接是看作将ab连通的边。对这个图的遍历，如果有某个或者某几个孤立的顶点，那么这个图无法简单的就遍历完。
假设网站www.163.com下有一个页面http://www.163.com/imalone.html
163.com整个站点上其他页面没有任何一个页面上有指向它的链接，那么作为图的顶点，这个页面是孤立的，爬虫是爬不到的~

Answer 5

如果你站点上有www.yoursite.com/seegood?id=xxxxxx
这种带参页面，但是，没有任何一个页面有链接连到www.yoursite.com/seegood?id=518518这个页面或者是页面动态形式链接到（比如id=1这个被链接到，然后seegood页面动态的有get到的id+1的链接），那你这个产品页面是不会被爬虫爬到的，爬虫没事会去给你每个参数来个穷举访问么？