Web crawler 将爬网限制为种子url的子页面
我有一套,它根据种子抓取网页Web crawler 将爬网限制为种子url的子页面,web-crawler,stormcrawler,Web Crawler,Stormcrawler,我有一套,它根据种子抓取网页 { “类”:“com.digitalpebble.stormcrawler.filtering.host.HostURLFilter”, “名称”:“HostURLFilter”, “参数”:{ “ignoreOutsideHost”:false, “ignoreOutsideDomain”:真 } } 但是,我怎样才能限制到种子的子页面呢。 例如,如果我有一个种子为“”,通过上述设置,爬虫程序也会爬网并添加像“”及其子页面等URL 如何将爬网限制为“”以及此种
{ “类”:“com.digitalpebble.stormcrawler.filtering.host.HostURLFilter”, “名称”:“HostURLFilter”, “参数”:{ “ignoreOutsideHost”:false, “ignoreOutsideDomain”:真 } }
但是,我怎样才能限制到种子的子页面呢。 例如,如果我有一个种子为“”,通过上述设置,爬虫程序也会爬网并添加像“”及其子页面等URL 如何将爬网限制为“”以及此种子的子页面,如“”,等等
TIA。只需在HostUrlFilter的配置中将ignoreOutsideHost设置为true。谢谢Julien。有没有办法排除一些url模式,比如使用regex等。例如:对种子域的所有内容进行爬网,但跳过url中包含/exclude/的所有内容。请参阅上列出的url筛选器