Comment créer un moteur de recherche simple

Parfois, en raison du travail et de nos propres besoins, nous parcourons différents sites Web pour obtenir les données dont nous avons besoin, c'est pourquoi les robots d'exploration sont nés. Voici mon processus de développement d'un robot d'exploration simple et les problèmes que j'ai rencontrés.

La dernière fois, Xiaobai a eu un petit robot d'exploration qui travaillait dur et travaillait dur. Il semblait qu'il serait désolé pour ce petit robot s'il ne provoquait pas une série de petites choses, alors Xiaobai a commencé à bricoler. avec des informations provenant de divers experts. L'index inversé est un moteur de recherche simple conçu sur la base de principes de base.

Le robot d'exploration précédent n'obtenait que le code source de la page Web sans effectuer aucun traitement. Il s'agissait d'un petit robot d'exploration unique, donc Xiaobai a utilisé des expressions régulières pour faire correspondre le contenu de la page Web afin d'obtenir l'URL, et puis le petit robot d'exploration Nous pouvons l'utiliser pour nous aider à explorer des pages Web jusqu'à la mort. Je dois mentionner ici beautifulsoup et les expressions régulières. On dit que le module beautifulsoup est un outil puissant pour l'exploration et l'extraction du Web. Xiaobao n'a pas fini. J'ai entendu le nom plus tard et j'ai regretté de ne pas pouvoir l'essayer. Cependant, Xiaobai a personnellement étudié les expressions régulières (maîtrise de force), par exemple, le. URL pour extraire le code source d'une page Web :

 

    link_list = re.findall(r"(?<=href=\").+?(?=\")|(?<=href=\&#39;).+?(?=\&#39;)", html)

    这一句就提出个七七八八来，当然这么粗糙鱼目混珠的情况也是少不了的，但是还是非常好用的，
    虽然看起来很复杂但是只要掌握了(?<)、(?=)、.、+、?这几种符号的用法小白觉得就可以解决大部分问题了，
    哦这里还有提一句，正则表达式似乎不支持嵌套的情形，
    大概形如“找到所有前面三个字符满足条件A的字符a,条件A是这三个字符前面的内容满足条件B”巴拉巴拉，
    好吧感觉说的好乱让我们暂且跳过这个话题。提取处理的匹配如果用findall是存储在列表中的，
    这样我们就可以在一个网页列表中一直加入新找到的链接一直重复爬取，小白这里自认为能力有限，
    所以就从提取中的网页链接爬取了100个网页做一个轻装版。这里提个醒，由于之前html链接提取的很粗糙，
    所以可能把各种形如网页链接的css文件路径、图片路径什么乱七八糟的给爬下来，
    不过我们这里就统一当作网页链接在一个try·except模块中进行connection，
    不是链接的就会出现异常我们只要捕获跳过就又可以愉快的继续了~~。

    有了爬取下来的网页内容下面就应该是得到其中真正呈现在网页中的东西了。
    写过网页的同学们都应该知道网页内容一般都在<p><\p>之中，title和链接什么的也有对应的标签，
    运用正则表单式理论上可以分离出来，不过小白亲身时间发现只匹配一次效果非常不好，
    匹配的内容的确包括想要的内容，但是因为标签一般都是嵌套的嘛而且小白技术毕竟也不好正则表达式可能表述的也有问题，
    所以总是会将内容嵌套在标签中返回，这里就有一个比较笨的方法供大家参考，咳咳，
    既然一次不能得到，那么就对内容进行再匹配，咳咳，经过了三层匹配外加一些小技巧终于是勉强匹配出来了，
    这里代码过于丑陋就不再贴出来了咳咳。

Recommandations associées :

Tutoriel d'introduction au robot Scrapy quatre Spider (crawler)

php implémente le développement de robots simples, php implémente des robots

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!