Python爬虫从入门到放弃之 关于深度优先和广度优先

Posted 2020-09-25

• 网站的树结构
• 深度优先算法和实现
• 广度优先算法和实现

网站的树结构

通过伯乐在线网站为例子：

 

 

并且我们通过访问伯乐在线也是可以发现，我们从任何一个子页面其实都是可以返回到首页，所以当我们爬取页面的数据的时候就会涉及到去重的问题，我们需要将爬过的url记录下来，我们将上图进行更改

 

 

在爬虫系统中，待抓取URL队列是很重要的一部分，待抓取URL队列中的URL以什么样的顺序排队列也是一个很重要的问题，因为这涉及到先抓取哪个页面，后抓取哪个页面。而决定这些URL排列顺序的方法，叫做抓取策略。下面是常用的两种策略：深度优先、广度优先 

深度优先

深度优先是指网络爬虫会从起始页开始，一个链接一个链接跟踪下去，处理完这条线路之后再转入下一个起始页，继续追踪链接，通过下图进行理解：

这里是深度优先，所以这里的爬取的顺序式：
A-B-D-E-I-C-F-G-H (递归实现)

深度优先算法的实现（伪代码）：

广度优先

广度优先，有人也叫宽度优先，是指将新下载网页发现的链接直接插入到待抓取URL队列的末尾，也就是指网络爬虫会先抓取起始页中的所有网页，然后在选择其中的一个连接网页，继续抓取在此网页中链接的所有网页，通过下图进行理解：

还是以这个图为例子，广度优先的爬取顺序为：
A-B-C-D-E-F-G-H-I (队列实现)

广度优先代码的实现（伪代码）：