0

我是网络爬虫的新手,需要快速学习才能工作。我在抓取客户网页时遇到问题,因为我需要获取的内容唯一地嵌套在主页上的每条记录中(300 多次),子页面上的某些字段不在标签中,而且有点乱。获取以下信息的最佳逻辑是什么。(另外,如果有人知道任何更新的免费且值得研究的抓取工具,那就太棒了。我能够获取父页面上的所有记录。我只是不知道如何通过每条记录进行访问它是子页面信息,并在移动到父页面的下一行之前抓取它。

4

1 回答 1

1
foreach top level pages {
    html = fetch page
    data = process html
    while (there are more descendant pages) {
        html = fetch next page using data
        data = process html
    }
    save this data chain
}

但是,如果您对上述逻辑感到困惑,我想我不得不建议您跳过代码,将时间集中在学习现有工具之一上。您几乎可以肯定会节省时间。特别是如果你会经常刮。

于 2011-12-12T17:17:58.753 回答