草庐IT

php - 如何从网站的数据库中抓取链接？

coder 2023-10-23 原文

关闭。这个问题需要更多focused .它目前不接受答案。












想改善这个问题吗？更新问题，使其仅关注一个问题 editing this post .

3年前关闭。




Improve this question




我是搜索引擎的新手，我发现 googlenews 非常有趣。

我想写一个简单的爬虫

  • 仅解析三个不同新闻站点的文章链接。
  • 将链接保存在数据库 (mysql) 中，并带有在网站上发布链接的时间戳(不是爬虫检测到链接的时间)。

    • 如您所知，新闻网站每天都会生成链接(而且我想基本上解析他们的所有链接(不仅仅是今天打印的链接，还有之前生成的所有链接......所有这些链接都被保留了下来)在新闻网站数据库中)。

    我不知道我要抓取的新闻网站使用的是哪个数据库，而且我也没有访问权限。
  • 那么googlenews是如何解析所有新闻网站的所有文章链接的，包括很久以前生成的链接？ googlenews 是否可以访问所有这些网站数据库？
  • 爬虫如何知道新链接已添加到网站？例如，如果一个新闻网站发布了一篇新文章，而我希望我的爬虫立即解析链接，那么爬虫怎么知道(googlenews 也能做到这一点……那么如何……？)立即知道新文章链接？或者谷歌只是以固定的时间间隔(每隔一小时等...)抓取网站？
  • 谷歌新闻爬虫如何知道新网站何时启动？
    是爬虫自动寻找新的网站，还是google工程师基本持有固定的新闻网站列表来爬取？

    • 关于谷歌搜索爬虫可以问同样的问题，即爬虫应该知道一个新域已经启动，以便它可以抓取它，从而确保谷歌数据库反射(reflect)万维网的最新状态。

    那么是否有任何开放的全局数据库可以保存所有曾经启动的域并且谷歌基本上可以抓取它？
  • 实现我的新闻网站爬虫的最佳工具是什么？

    • Apache Lucene、Nutch、Solr、ElasticSearch？

    也许 http://phpcrawl.cuab.de/ ?

    我真的很好奇以上四个问题的答案。

    请协助。

    提前致谢。

    最佳答案

    您在这里有一些我会回答的关键问题，但首先您应该了解什么是爬虫。

    什么是爬虫？

    爬虫的工作是通过阅读一个页面来扫描互联网，获取他包含的所有链接，然后阅读这些页面。此操作的主要目的是自动查找新内容。一个好的爬虫会开始抓取一些经常更新的大而熟悉的网站，这样他就可以更新和索引这些网站，也可以快速获取新内容和新网站(因为大网站通常包含指向其他网站的链接)。

    关于您的问题:

    Does googlenews have access to all those websites databases?



    否 ，如果您可以访问数据库，则不需要爬虫。

    How does a crawler know that a NEW link has been added to the website?



    Google 会不时抓取每个站点并搜索站点内的新链接。通常一个新页面或一篇文章将通过已存储在 Google 数据库中的主页链接。

    How does google news crawler know when a new website has been launched?



    简单的答案是:爬虫找到一个指向新网站的链接，检查该网站是否在系统中，如果没有，则添加它。

    How they get the links of the old articles?



    很简单，他们将这些链接保存在一个巨大的数据库中。谷歌几年前就开始在互联网上爬行。如果谷歌今天重新开始抓取互联网，旧链接可能不会出现。

    How do I get the timing in which the site posted the article?



    这取决于您正在抓取的网站。如果每篇文章都有日期，您需要解析页面并提取此日期。 This article在顶部有一个日期，通过搜索日期类很容易找到 HTML dom:<span class="date">6 June 2014</span> .
    如果日期没有出现，您将无法知道他们何时发布。

    作为开发人员，您可以让 Google 的生活更轻松，并通过 Google Webmaster Tools 要求 Google 抓取您的新网站。 .

    在抓取网页的同时，谷歌还会统计有多少链接指向一个页面，这会影响页面的排名。许多指向您网站的链接将表明您拥有有值(value)的内容，您应该在搜索结果中出现更高的位置。

    编写一个简单的爬虫很容易。您可以通过 php cURL 获取页面内容或 file_get_contents ，解析它，选择并保存你想要的数据，提取这个页面中的所有链接，然后递归抓取你找到的链接。

    关于php - 如何从网站的数据库中抓取链接？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/24081214/

    php如何爬虫brblockquotemysqlweb-crawler

    有关php - 如何从网站的数据库中抓取链接？的更多相关文章

    1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

      我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

    2. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

      总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

    3. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

      关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

    4. ruby-on-rails - 如何验证 update_all 是否实际在 Rails 中更新 - 2

      给定这段代码defcreate@upgrades=User.update_all(["role=?","upgraded"],:id=>params[:upgrade])redirect_toadmin_upgrades_path,:notice=>"Successfullyupgradeduser."end我如何在该操作中实际验证它们是否已保存或未重定向到适当的页面和消息？ 最佳答案 在Rails3中，update_all不返回任何有意义的信息，除了已更新的记录数(这可能取决于您的DBMS是否返回该信息)。http://ar.ru

    5. ruby-on-rails - 'compass watch' 是如何工作的/它是如何与 rails 一起使用的 - 2

      我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t

    6. ruby - 如何将脚本文件的末尾读取为数据文件(Perl 或任何其他语言) - 2

      我正在寻找执行以下操作的正确语法(在Perl、Shell或Ruby中):#variabletoaccessthedatalinesappendedasafileEND_OF_SCRIPT_MARKERrawdatastartshereanditcontinues. 最佳答案 Perl用__DATA__做这个:#!/usr/bin/perlusestrict;usewarnings;while(){print;}__DATA__Texttoprintgoeshere 关于ruby-如何将脚

    7. ruby - 解析 RDFa、微数据等的最佳方式是什么，使用统一的模式/词汇(例如 schema.org)存储和显示信息 - 2

      我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i

    8. ruby - 如何指定 Rack 处理程序 - 2

      Rackup通过Rack的默认处理程序成功运行任何Rack应用程序。例如:classRackAppdefcall(environment)['200',{'Content-Type'=>'text/html'},["Helloworld"]]endendrunRackApp.new但是当最后一行更改为使用Rack的内置CGI处理程序时，rackup给出“NoMethodErrorat/undefinedmethod`call'fornil:NilClass”:Rack::Handler::CGI.runRackApp.newRack的其他内置处理程序也提出了同样的反对意见。例如Rack

    9. ruby - 如何每月在 Heroku 运行一次 Scheduler 插件？ - 2

      在选择我想要运行操作的频率时，唯一的选项是“每天”、“每小时”和“每10分钟”。谢谢!我想为我的Rails3.1应用程序运行调度程序。 最佳答案 这不是一个优雅的解决方案，但您可以安排它每天运行，并在实际开始工作之前检查日期是否为当月的第一天。 关于ruby-如何每月在Heroku运行一次Scheduler插件？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/8692687/

    10. ruby-on-rails - 如何从 format.xml 中删除 <hash></hash> - 2

      我有一个对象has_many应呈现为xml的子对象。这不是问题。我的问题是我创建了一个Hash包含此数据，就像解析器需要它一样。但是rails自动将整个文件包含在.........我需要摆脱type="array"和我该如何处理？我没有在文档中找到任何内容。 最佳答案 我遇到了同样的问题；这是我的XML:我在用这个:entries.to_xml将散列数据转换为XML，但这会将条目的数据包装到中所以我修改了:entries.to_xml(root:"Contacts")但这仍然将转换后的XML包装在“联系人”中，将我的XML代码修改为

    随机推荐