我是网络爬行的新手,我需要一些关于这两个Node JS抓取工具的指针 .
目标:我的目标是抓取网站并仅获取该域内的内部(本地)URL . 我对任何页面数据或抓取都不感兴趣 . 只是URL .
我的困惑:当使用node-crawler或simplecrawler时,他们是否必须在返回响应之前下载整个页面?有没有办法只找到一个URL,ping可能会执行一些get请求,如果200响应,只需继续下一个链接,而不必实际请求整个页面数据?
是否有任何其他NodeJS爬虫或蜘蛛可以请求和仅记录URL?我担心的是尽可能轻量级地抓取 .
先感谢您 .
1 回答
仅爬网网站的HTML页面通常是一个非常轻量级的过程 . 由于要搜索HTML以寻找其他URL,因此还需要下载HTML主体的响应主体以便能够对站点进行爬网 .
simplecrawler是可配置的,以便您可以避免从网站下载图像等 . 这是一个片段,您可以使用该片段记录抓取工具访问的网址,避免下载图片资源 .