再会。我需要使用 C# 编写站点地图生成器。我已经为本地站点编写了生成器，您可以在其中输入项目（站点）的路径，我的程序将在此目录和子目录中找到所有网页，并将它们写入站点地图文件。
现在我需要做同样的事情，但对于 URL 路径。我输入的只是一个 URL 地址，我的程序必须找到该站点的所有网页并将它们写入站点地图。如何组织这样的页面搜索？或者可能有人做了类似的事情？提前感谢您的帮助。
问问题
1553 次
1 回答
3
您正在寻找的是网络爬虫或网站爬虫。本质上，他们所做的是获取您想要的任何网站的源代码，去除所有多余的 html 标签，但不去除超链接标签。这将留下一堆链接，程序将使用这些链接“爬行”到更多页面。这是它的工作原理的概述：（我不会给出任何代码，但我会深入介绍如何制作一个）
一个简单的网站：
<html>
<a href="www.somewebsite.com/link1.html">Link 1</a><br />
<a href="www.somewebsite.com/link2.html">Link 2</a><br />
<a href="www.somewebsite.com/link3.html">Link 3</a>
</html>
我们的程序会得到源代码，但会删除所有无用的标签，留下：
<a href="www.somewebsite.com/link1.html">Link 1</a>
<a href="www.somewebsite.com/link2.html">Link 2</a>
<a href="www.somewebsite.com/link3.html">Link 3</a>
然后它将只获取 href="" 属性，留下网站网址：
www.somewebsite.com/link1.html
www.somewebsite.com/link2.html
www.somewebsite.com/link3.html
然后程序将获取每个网站的源代码，一遍又一遍地做同样的事情。您可以更进一步，删除所有使用 GET 请求的链接，即：
www.somewebsite.com/link1?id=1
还有那些包含指向其他网站的链接。
一旦您访问了所有网站并获得了所有链接，您就可以将信息以树状格式（可能是 XML）存储。
希望这可以帮助！
于 2012-05-03T10:09:32.550 回答