特定网站爬虫---原理篇

1：http://www.shuoshuo520.com/

的小说网站爬虫，又定向简单到智能爬取数据的学习路径。

 

1：爬虫原理。

 

就是对url连接的搜索：

 

具体使用广度优先搜索：

 

 

访问的路径是  A - B C D E F -H G - I

 

使用队列保存 ，就是 A 先入队  出对 ，在B C D E F 入队 ，在B C D E出对  H入队 F出对 G入队 H出对 I入队

 

目前的方法：

 

一个 PaserUrlUtil类 解析 和处理 url和html 主要用HttpClient和Jsoup

 

一个是队列类LinkedQueue,保存已经访问的url和添加新的 url实体，处理url的去重操作

 

一个Crawler主程序类，宽度搜索url，知道没有可处理的为止，目标网站 深度是6层也结束。

 

想队列中添加新的urlhttp://www.shuoshuo520.com/book9/
想队列中添加新的urlhttp://www.shuoshuo520.com/book10/
想队列中添加新的urlhttp://www.shuoshuo520.com/modules/article/index.php?fullflag=1
已经访问的url--http://www.shuoshuo520.com/book1/
正在处理的url实体--deptValue--1--url--http://www.shuoshuo520.com/book1/
bookUrls-处理进入 deptvalue-==1-
bookUrls--http://www.shuoshuo520.com/Book1/2.html
bookUrls--http://www.shuoshuo520.com/Book1/3.html
bookUrls--http://www.shuoshuo520.com/Book1/4.html
bookUrls--http://www.shuoshuo520.com/Book1/5.html
bookUrls--http://www.shuoshuo520.com/Book1/6.html
bookUrls--http://www.shuoshuo520.com/Book1/7.html
bookUrls--http://www.shuoshuo520.com/Book1/8.html