本人想做的个垂直搜素,
首先制作爬虫
我的方案是
www.a.com加入后台。后台每日执行爬虫任务,访问www.a.com 更新快照,解析html代码里a的url,保留a.com的url,
然后进行二次、三次继续爬行。。。
第一次入库是 记录 id url sha值防止重复抓取
现在有个问题,
每日爬虫任务,三四层就可以了,在深度更多的都是重复的,
但第一次如何对这个网站深度爬行呢,基本上能达到90%页面抓取,如何做到
难道五层 六层这样深度去爬?
有没有什么办法,实现对总量的预估,和现在进度的分析?
就第一次深度爬行方案,谢谢