網(wǎng)站的樹(shù)結(jié)構(gòu)
深度優(yōu)先算法和實(shí)現(xiàn)
廣度優(yōu)先算法和實(shí)現(xiàn)
網(wǎng)站的樹(shù)結(jié)構(gòu)
通過(guò)伯樂(lè)在線網(wǎng)站為例子：
并且我們通過(guò)訪問(wèn)伯樂(lè)在線也是可以發(fā)現(xiàn)，我們從任何一個(gè)子頁(yè)面其實(shí)都是可以返回到首頁(yè)，所以當(dāng)我們爬取頁(yè)面的數(shù)據(jù)的時(shí)候就會(huì)涉及到去重的問(wèn)題，我們需要將爬過(guò)的url記錄下來(lái)，我們將上圖進(jìn)行更改
在爬蟲(chóng)系統(tǒng)中，待抓取URL隊(duì)列是很重要的一部分，待抓取URL隊(duì)列中的URL以什么樣的順序排隊(duì)列也是一個(gè)很重要的問(wèn)題，因?yàn)檫@涉及到先抓取哪個(gè)頁(yè)面，后抓取哪個(gè)頁(yè)面。而決定這些URL排列順序的方法，叫做抓取策略。下面是常用的兩種策略：深度優(yōu)先、廣度優(yōu)先
深度優(yōu)先
深度優(yōu)先是指網(wǎng)絡(luò)爬蟲(chóng)會(huì)從起始頁(yè)開(kāi)始，一個(gè)鏈接一個(gè)鏈接跟蹤下去，處理完這條線路之后再轉(zhuǎn)入下一個(gè)起始頁(yè)，繼續(xù)追蹤鏈接，通過(guò)下圖進(jìn)行理解：
這里是深度優(yōu)先，所以這里的爬取的順序式：
A-B-D-E-I-C-F-G-H (遞歸實(shí)現(xiàn))
深度優(yōu)先算法的實(shí)現(xiàn)（偽代碼）：
廣度優(yōu)先
廣度優(yōu)先，有人也叫寬度優(yōu)先，是指將新下載網(wǎng)頁(yè)發(fā)現(xiàn)的鏈接直接插入到待抓取URL隊(duì)列的末尾，也就是指網(wǎng)絡(luò)爬蟲(chóng)會(huì)先抓取起始頁(yè)中的所有網(wǎng)頁(yè)，然后在選擇其中的一個(gè)連接網(wǎng)頁(yè)，繼續(xù)抓取在此網(wǎng)頁(yè)中鏈接的所有網(wǎng)頁(yè)，通過(guò)下圖進(jìn)行理解：
