我想要采集做规则这个页面的网址 要怎么映射
举报 使用道具
| 回复

共 2 个关于本帖的回复 最后回复于 2016-10-10 16:37

HJLing 版主 发表于 2016-10-10 16:29:33 | 显示全部楼层
不需要做映射 结果文件是自动生成一个字段<fullpath>来存放当前页面的网址
举报 使用道具
Fuller 管理员 发表于 2016-10-10 16:37:15 | 显示全部楼层
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
举报 使用道具
您需要登录后才可以回帖 登录 | 立即注册

精彩推荐

  • Gephi社会网络分析-马蜂窝游记文本分词并同
  • Gephi社会网络分析-基于马蜂窝游记文本以词
  • 知乎话题文本根据词语间距筛选后生成共词矩
  • 马蜂窝游记文本分词后以词语间距为筛选条件
  • 学习使用apriori算法挖掘关联关系

热门用户

GMT+8, 2024-4-19 06:22