我正在使用简单的HTML DOM库来处理Web爬虫 . 我已经获得了网站的所有链接 . 现在我想抓取我获得的所有链接/页面,搜索并在所有页面上查找一些特定文本 .
这是我获取所有链接的代码
<?php
include_once("simple_html_dom.php");
set_time_limit(0);
$path='http://www.barringtonsports.com';
$html = file_get_contents($path);
$dom = new DOMDocument();
@$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$hrefs = $xpath->evaluate("/html/body//a");
for ($i = 0; $i < $hrefs->length; $i++ ) {
$href = $hrefs->item($i);
$url = $href->getAttribute('href');
$nurl = $path.$url.'<br>';
echo $nurl;
}
?>
1 回答
这里有一些伪代码:
下一步的业务是对相关的machingURL列表进行排名 . 一种方法是使用 Map /字典,其中url是索引,相关性等级是值 .
祝好运!