|
纠正一下二楼的帖子,准确地说,不用给网址做内容映射,只要能生成抓取结果文件,会在文件中有<fullpath>字段,这个字段是本网页的加载的时候用的网址,还有一个<realpath>字段,这个是实际网页地址。区别详述如下:
比如,用层级抓取抓百度搜索,第一级抓取百度搜索结果;第二级抓取搜索到的每个网页。
百度搜索结果的每个网址其实不是网站的真实网址,而是百度的网址。在抓第二级的时候,加载网页用的是百度的那个跳转网址,填写到<fullpath>中,百度完成跳转以后,就变成真实网址了,填写到<realpath>中 |
|
共 2 个关于本帖的回复 最后回复于 2016-10-10 16:37