1

通过 Snoopy 运行一个简单的 php 网络爬虫 - http://turma.sourceforge.net/web/urlator/snoopy.html - 但是 Fetchlinks() 函数有点问题。通常 fetchlinks() 会抓取页面上的所有链接并将它们很好地放入一个数组中。这适用于所有 http:// 链接，但任何 https:// 链接都附加到 http:// 链接，并且不会放在数组中它们自己的插槽中。

损坏的 https 链接示例：

[472] => http://www.vapetropolis.ca/returns/https://www.vapetropolis.ca/product-warranties [473] => http://www.vapetropolis.ca/vaporizer-parts/davinci -vaporizer/https://www.vapetropolis.ca/product-warranties/https://www.vapetropolis.ca/customer/account/

如您所见，它们被附加到正确形成的 http:// 链接上。

这是产生这个的代码

    function crawl_link($link, array &$sitewide_link_list) { 
        $snoopy = new Snoopy;
        //Get all links from first page
        $snoopy->fetchlinks($link);
        $currPage = $snoopy->results;

        //Add all links to global array
        //First, filter the links
            //Ensure all links are from correct domain

        $parsedDomain = 'www.vapetropolis.ca';

        if (is_array($currPage)) {

            foreach ($currPage as $link) {
                if ($parsedDomain == parse_url( $link, PHP_URL_HOST )) {                
                    if (!in_array($link, $sitewide_link_list)) {
                        array_push($sitewide_link_list, $link);
                    }   
                }

            }
        }
    }

    //Start crawl

    //Global array of links
    $sitewide_link_list = array();
    $checkList = array();
    $done = false;


    $domain = 'http://www.vapetropolis.ca';

    crawl_link($domain, $sitewide_link_list);



    print_r($sitewide_link_list);

任何线索可能会发生什么？

4

0 回答 0