通用爬虫实现的原理及过程

获取初始的URL。初始的URL地址可以人为地指定，也可以由用户指定的某个或某几个初始爬取网页决定。 根据初始的URL爬取页面并获得新的URL。获得初始的URL地址之后，先爬取当前URL地址中的网页信息，然后解析网页信息内容，将网页存储到原始数据库中，并且在当前获得的网页信息里发现新的URL地址，存放到一个URL队列里面。 从URL队列中读取新的URL，从而获得新的网页信息，同时在新网页中获取新的U

>>阅读原文<<